在2008年,城市计算的概念被提出,希望利用大数据和人工智能将城市发展的每个阶段都梳理清晰,将互联网连接的虚拟世界和现实中的物理世界通过数据和模型有效的结合在一起,建立智慧城市。进而为人们提供更加美好、和谐和便捷的城市生活。因此在城市计算中,利用城市数据来解决城市的发展规划问题,如城市相似性、城市发展趋势等成为了研究热点。而迁移学习和联邦学习则是城市数据处理中两种前沿数据处理及学习方法。迁移学习以相似性为核心,相似性度量准则为手段,可以解决城市计算中小样本训练的问题。联邦学习则能以参加训练中各方数据的多维高相似性,来提高城市计算中模型的训练效率。本文在城市迁移学习、联邦学习和城市相似度在城市发展趋势预测的应用上提出了新的实现方法。POI（Point of Interest）为“兴趣点”,一个POI可以是一栋房子、一个超市、一个公交站等。首先,本文通过百度地图开发者平台收集了国内60余座城市的19个维度的POI数据,并对各个城市POI数据的分布以及内部关系做了可视化分析和相关性计算,提出了基于聚类算法CKM的城市相似度模型CBCS。其次,如果能够利用城市POI数据对城市发展趋势进行有效的预测并为城市决策者提供有效参考,其意义将十分重大。但在模型建立过程中,由于城市发展参差不齐以及数据隐私的限制等问题,会阻碍有效模型的建立。虽然众多城市可以通过多种数据源收集到海量数据,但是仍然存在因实际条件限制导致数据极度缺乏的城市,在这种情况下神经网络模型无法进行有效的训练,产生了冷启动问题。因此,本文提出了基于迁移学习的TransUDTP模型,来一定程度上优化冷启动问题。此外,为了训练出更好的神经网络模型,不仅需要海量的数据,同时需要将多方的数据进行整合,而数据在很多场景下都属于敏感的隐私数据,比如:银行数据,金融数据以及医疗数据等,无法完全暴露,产生了数据孤岛问题。因此,本文提出了基于联邦学习的HFL-UDTP模型,用以保护数据隐私,并利用多方城市数据进行模型的联合训练。Trans-UDTP模型和HFL-UDTP模型均利用POI数据对城市发展趋势进行预测,Trans-UDTP模型侧重解决冷启动问题,HFL-UDTP模型侧重解决数据孤岛问题。同时,两者都与上文提出的CBCS模型进行了有效结合,进一步提高了预测准确率。CBCS模型一方面为Trans-UDTP模型提供了迁移有效性判断的依据,同时提高了模型迁移后的准确率,另一方面优化了HFL-UDTP模型的训练效果。实验数据证明了CBCS、Trans-UDTP和HFL-UDTP模型的有效性,同时预测结果可以为城市决策者提供有效参考。