面向城市大数据的深度学习模型与方法研究

How to develop effective knowledge discovery models and methods for urban big data is one of the hot topics of current concern. Deep learning achieves automatic representation learning through simulating the hierarchical structure of human brain and has been successfully applied in many fields. Aiming at urban big data with multi-modal, spatio-temporal correlated, dynamic and uncertain characteristics, this project studies multi-modal data fusion methods, cross-modal feature learning and effective data mining techniques for urban big data, where neural networks and granular computing theories are as the basis, deep learning models are as the objects, information fusion, granular analysis, multi-task and ensemble learning are as the means, and cloud computing and GPU cluster parallel framework are as the platforms. The main contents of this project include: 1) Research on the construction of novel networks of deep learning and their extension for single-modal urban big data; 2) Study on multi-layer granular analysis and feature representation techniques for spatio-temporal data in urban big data environment; 3) Exploration on deep learning models and optimization approaches based on multi-modal urban big data fusion; 4) Investigation of deep learning parallel algorithms and their optimization strategies using the framework of cloud computing. Solutions to these problems can not only lay the foundation for the formulation of new knowledge discovery theoretical system to deal with urban big data, but also play an important role in realization of the efficient conversion from urban big data to knowledge for decision-making.

如何设计面向城市大数据的高效知识发现模型与方法是当前人们关注的热点之一。深度学习通过建立类脑的分层模型结构实现自动特征学习，已成功应用于多个领域。本项目针对城市大数据的多模态、时空关联、动态性和不确定性等特点，以神经网络和粒计算理论为基础，以深度学习模型为对象，以信息融合、粒化分析、多任务和集成学习等为手段，以云计算和GPU集群并行框架为平台，来研究城市大数据环境中的多模态数据融合、跨模态特征学习与高效数据挖掘关键技术，具体内容包括：1）面向单模态城市大数据的深度学习新型网络构建与扩展研究；2）城市大数据环境中时空数据多层次粒化分析与特征表示研究；3）基于多模态城市大数据融合的深度学习模型与优化方法研究；4）基于云计算的深度学习并行算法设计与优化策略研究。这些问题的解决不仅可为形成面向城市大数据的新型知识发现理论体系奠定基础，而且对实现从城市大数据到决策知识的高效转化具有重要的推动作用。

如何针对城市大数据的多模态、时空关联、动态性和不确定性等特点构建高效知识发现模型与方法是城市计算领域一个热点核心问题。本项目以神经网络和粒计算为理论基础，以深度学习及其扩展模型为研究对象，以信息融合、多粒度分析、多任务学习与集成学习等为技术手段，以云计算和GPU 集群等并行框架为支撑平台，研究城市大数据环境中的多模态数据融合、跨模态特征学习和高效数据挖掘关键技术，主要取得了以下成果：1）针对单模态城市大数据，设计了适用于城市大数据环境下的新型网络结构，建立了能处理复杂城市大数据的新型深度学习模型；2）针对城市大数据的时空特性，给出了城市大数据时空特征的多层次粒化分析方法，建立了城市时空大数据的多粒度特征表示模型；3）基于多模态城市大数据，设计了结合信息融合和先验知识的数据驱动模型，给出了面向多模态数据融合的深度学习算法与优化方法；4）基于云计算并行框架，提出了深度学习分布式模型与优化策略，构建了面向多模态、多任务城市大数据计算框架及其高效的深度学习并行算法。本项目在国内外重要期刊和会议上发表/录用论文31篇（SCI检索19篇，EI检索8篇），获得发明专利5项，申请发明专利2项，获得CCF优秀博士学位论文奖提名等奖励，培养多名研究生。这些成果为城市大数据分析与挖掘的研究提供了学术思想与技术路线。