《大數據驅動的城市交通流機理研究和語義挖掘》是依託復旦大學，由楊夙擔任項目負責人的面上項目。
基本介紹
- 中文名：大數據驅動的城市交通流機理研究和語義挖掘
- 依託單位：復旦大學
- 項目類別：面上項目
- 項目負責人：楊夙
項目摘要,結題摘要,
項目摘要
當今碳排放、能源損耗、交通擁堵等大城市病困擾著我們，這與城市中大規模人群移動關係密切。本項目基於大數據時空關聯分析進行城市交通流機理和語義挖掘的研究。包括：(1) 集群移動多源數據時空圖譜關聯分析；(2) 基於群體軌跡相似度的主要交通路線及脆弱性發現；（3）區域功能與交通流時空分布關聯建模。特色：（1）由於人類對於自身活動規律、以及人類集群移動的社會動機和需求還知之甚少，大數據驅動的城市動力學機理研究、語義挖掘是一個新的領域。（2）城市中用戶位置數據呈現多模態，如網路簽到、GPS等，建立多模態數據的自動分析和理解的方法，從海量異構數據中自動挖掘出狀態、模式、時空演化和關聯規律，是城市大數據智慧型處理的基礎科學問題之一。本項目結合了多種模態的數據進行研究，有可能更好地解決單一模態數據難以解決的問題。
結題摘要
基於大數據預測的交通流調控是城市大腦的主要目標，交通流時空關聯規律挖掘是預測需要解決的主要問題，項目組提出基於稀疏表達的交通流預測方法，通過基於稀疏表達的變數選擇自動發現與預測任務關聯的節點，3000多個預測任務提前1小時平均預測精度高於86%，相比傳統方法提高了約7%，同時發現了以下規律：（1）與某個預測任務關聯的感測器並非固定，時空關聯範圍隨著預測時間提前而擴大；（2）交通流的動力學演化可以看作是馬爾可夫過程。提出基於PageRank的交通流動力學模型，發現了交通流演化的PageRank指數與隨後的擁堵指數存在機率上的線性關係。研究了人類出行目的與城市規劃之間的關係，提出基於稀疏表達技術挖掘城市功能各變數（POI）對於計程車上下客量的影響規律，客流預測精度約為76%。選址對於實體商業至關重要，提出利用稀疏表達技術從區域POI數據、計程車上下客量、地理信息、網路點評等異構數據中挖掘出各社會情境變數對商業活躍度的影響規律，對北京和上海商圈活躍度的預測精度平均為77%。提出基於深度學習識別遙感圖像中的各類地物，基於地物類型預測區域商業活力的R2指標達到0.822；提出融合街景圖像和遙感圖像的商業活力預測。面向視覺和非視覺特徵的融合判決，提出情境感知的神經網路集成技術，實驗證明融合遙感圖像、時空數據的商業活力預測性能優於單通道數據；提出了新的神經網路架構和工作機制，通過神經網路學習神經網路在不同情境下的行為特徵，從而實現情境感知的自適應動態加權判決。
