轨迹大数据驱动的交通路况感知与预测技术研究

With the widespread use of positioning devices, the trajectories of massive moving objects are sampled and stored. These trajectory data contains valuable knowledge about traffic, and has been accumulated to a certain volume, such that it becomes practical to percept and understand traffic in a data driven approach. The aim of this project is to build systematic solutions for trajectory data driven traffic perception and prediction, by combining database and machine learning approaches to manage the data first, and then explore information and rules with respect to how traffic evolves, so that we can exactly know the current and future. Targeting to support the whole lifecycle including trajectory data management, traffic information extraction, evolution model learning and usage, we aim to investigate the following problems: (1) effective trajectory big data storage by a compressed data representation that balances redundancy and data quality issues; (2) continuous querying for real time traffic condition on top of streaming trajectories; (3) multi-scale deep learning model based traffic prediction in road granularity; (4) predictive information based traffic aware navigation and pub/sub. The outcomes of this project have valuable social and economic significance, such as intelligent traffic control, urban planning and emergency management applications.

随着可定位智能设备的广泛使用，大量移动对象的轨迹被采集并持久化存储。这些轨迹数据已经积累到相当规模并蕴含着丰富的知识，使得以数据驱动的方式来感知并理解交通成为可能。本项目的研究目标是构建一个轨迹数据驱动的路况感知与预测方法体系，结合数据库和机器学习等手段实现对轨迹数据的有效管理，从中获取实时路况信息并挖掘交通的动态演化模式，做到对交通路况的“了如指掌”和“彰往察来”。我们将以原始轨迹数据管理、路况信息抽取、演化模式的学习与利用为主线，重点突破以下关键技术：（1）数据质量受控的轨迹大数据低负载存储机制；（2）基于实时轨迹流的即时路况在线计算方法；（3）基于反馈式多尺度深度模型的道路级路况预测；（4）预判式的交通敏感导航与信息发布策略。相关研究成果有助于构建智能化的交通控制与规划、缓解城市交通压力和提升应急管理能力，具有重要的社会及经济意义。

时空轨迹大数据中蕴含着丰富的交通信息与知识。本项目以构建轨迹数据驱动的交通动态理解、预测与科学化管理为目标，以轨迹大数据的管理与分析技术为主要研究内容，重点解决高噪、多源、海量轨迹的轨迹协同管理与表示问题，从数据的“预处理”、“存储”以及“分析预测”三方面进行探索：（1）在轨迹数据的预处理与数据质量管理方面，针对信令等轨迹的高噪问题，我们提出了基于均值过滤和深度学习内嵌的HMM路网匹配方法，支持轨迹的有效校准与路网映射。面向多源轨迹数据，提出基于特征签名的轨迹表示与匹配方法，支持轨迹数据的实体连接；（2）针对轨迹大数据的存储与计算压力问题，我们设计了基于多维度哈希的索引结构，支持轨迹信息的高效存取；设计了面向轨迹的流处理框架，实现轨迹流的低负载在线查询；（3）在轨迹大数据的统计分析与预测方面，我们提出了面向交通流演化分析的系列化方法，包括路网拓扑卷积内嵌的时序预测网络、路口道路与相位结构敏感的预测方法、交通流多粒度信号协同的预测模型等，支持交通路况的动态感知与预测；（4）针对移动对象轨迹的个体建模，我们提出了内嵌记忆的元学习ETA预测方法，以及基于多任务学习的轨迹统一表示与预测模型，支持ETA、轨迹预测、导航等各类应用。..依托本项目的研究，团队一共发表高水平论文31篇，其中包括SIGMOD、ICDE(收录未见刊)、KDD、AAAI、IJCAI、TKDE等CCF-A类论文15篇，申请专利 5项、其中授权 3 项，获 CCF 推荐会议的最佳论文奖 2 次，主办VLDB Summer Shool等重要学术活动，邀请相关领域国际学者多人交流访问。除原定计划，我们还针对本领域相关的一些研究热点展开了调研，包括面向信令等高噪轨迹数据的管理与分析技术、面向个体行程的 ETA 预测与个性化 POI 推荐等技术，取得了理想的研究成果，为后续研究指明了方向。实验表明，本项目提出的轨迹数据管理、交通流复杂演化分析方法有效提升了现有策略，可以应用并改进各种 LBS 服务质量。本项目的科研成果可以很好地应用于智能交通等领域，充分体现本项目的应用价值。

内容获取失败，请点击重试