现有的交通流建模方法通常依赖于实时观测数据，例如道路传感器或 GPS 轨迹，这限制了它们的研究范围和应用场景。本研究提出了一种基于跨时空图的网络方法，用于基于遥感影像快速重建交通流速度。该方法旨在解决在缺乏地面观测数据的情况下进行交通建模的挑战。该方法结合高分辨率遥感影像、车辆目标检测和图建模技术，能够处理不连续的时空图信息。该方法包含两个关键模块：双层掩膜结构机制和跨时空注意力计算。这种创新设计使模型能够在预训练过程中不断综合学习不连续的遥感影像和稀疏的地面传感器数据，从而优化其参数并提高预测精度。经过预训练后，该图模型可以仅基于遥感影像直接估计街道级别的交通流速度。我们的研究结果展现了最佳性能（MSE=40.117，MAE=4.768，RMSE=6.334，RSE=0.228），优于以往基于图和基于序列的模型。这项研究展示了利用遥感技术重建城市化区域交通速度的潜力。即使在地面站不足且遥感数据不连续的情况下，它也能够实现低成本、大规模、多时相的交通流速度重建。

地面传感器,图神经网络,车辆检测,地理人工智能,交通流重建