无处不在的移动设备催化了车辆人群传感(VCS)的发展。 特别是,车辆传感系统在通过内置传感器在不同传感情景下灵活获取时空城市数据方面显示出巨大潜力。 然而,由于旅行请求和路线的异质性,车辆系统经常表现出有偏见的覆盖范围。 为了实现高传感覆盖,一个关键挑战在于最佳地搬迁车辆,以尽量减少车辆分布和目标传感分布之间的差异。 常规方法通常采用两阶段预测优化(PTO)过程:首先预测实时车辆分布,然后根据预测生成最佳搬迁策略。 然而,由于上游预测的错误传播,这种方法可能导致决策不理想。 为此,我们通过在深度学习架构中集成优化到预测中来开发端到端的Smart Predict-then-Optimize(SPO)框架,整个框架通过最小化任务特定的匹配背离而不是上游预测误差来训练。 从方法上讲,我们通过二次编程(QP)来制定车辆迁移问题,并在SPO框架中采用基于复数方向方法(ADMM)的新型展开方法,以计算QP层的梯度,促进反向传播和基于梯度的优化,以实现端到端学习。 拟议的框架的有效性通过香港的实际出租车数据集进行验证。 利用交替的差异化方法,一般SPO框架提出了解决不确定性决策问题的新概念,展示了推进智能交通系统应用的巨大潜力。