面向突发事件导致交通拥堵的高性能可视分析研究

Due to the fast urbanization process, public transportation is becoming increasingly important in China. Following the human centered design principle, it is urgent to increase robustness of public transportation. In a situation of emergency-caused traffic jam, city government should provide alternative bus service, such that to reduce passengers' inconvenience, and adverse economic and social impacts. However, due to the complexity of road network and short response time for decision making, traditional transportation planning usually fails to provide an effective bus dispatching scheme. To tackle the problem, we propose a feasible project adopting state-of-the-art high-performance computing and visual analytics techniques. First, we will combine the advantages of conventional transportation modelling and big data analytics, to fuse, analyze, and model related big urban data. Based on this, we will develop parallel and optimization algorithms utilizing GPU and cloud computing, leveraging the machine's fast computing capacity to find out the optimal bus dispatching scheme in complex environments. Lastly, we will design visual analytics interfaces that can adequately exploit human's cognition capability, for decision-makers to evaluate, select, and modify the dispatching scheme. Our project can promote interdisciplinary collaborations between computer science, urban and transportation planning, and GIS, and contribute to the smart cities and intelligent transportations development in China. The project will make significant scientific and social contributions.

在我国快速城镇化进程背景下，公共交通发挥着越来越重要的作用。按照以人为核心的原则，提升公共交通的鲁棒性有其迫切性。面对突发事件引起的交通拥堵，政府需要提供巴士替代服务，以减少乘客的不方便，以及负面的经济、社会影响。然而，由于道路网络的复杂性以及决策时间的紧迫性，传统的交通规划往往不能够提供有效的巴士调度方案。本项目针对这个问题，提出一个基于高性能可视分析的巴士调度方案研究。首先，提取经典交通模型、大数据分析方法的优点，对相关城市大数据进行融合、分析、建模；在此基础上，开发适用于GPU和云计算的并行及优化算法，使用计算机的快速运算能力实时搜索出复杂情况下最优巴士调度方案；最后，设计能够充分发掘人类认知能力的可视分析用户界面，以供决策者判断、选择并修改调度方案。本项目可促进计算机科学与技术、城市及交通规划、GIS等学科交流，并为中国智慧城市及智能交通发展做出贡献，具有重要的科学和社会意义。

在日趋个性化、多元化出行需求下，当下的城市交通面领着巨大的压力，由此引发一系列如交通拥堵、交通事故、通勤时间长等问题，影响到人们的日常活动，限制着经济的发展。理解交通出行、预测交通流量是缓解交通拥堵问題而进行的主要的研究方向之一，为路径选择、出行诱导提供信息支撑。本项目以交通数据可视化为研究对象，开展了三个方面的研究：一、多源交通数据管理、融合与可视化，研发了融合交通路网的OD轨迹边捆绑技术，以及融合道路拓扑网络的拓扑密度图；二、基于深度学习交通预测的可解释性分析与改进，开发了面向MAUP对交通流量预测影响的模型可解释性可视分析系统，以及拟合空间非平稳性的时空残差网络建模；三、可视化设计与交互的探索，开展了数据可视化的颜色表、三维点云交互空间探索，以及多视图可视化的设计空间探索。.本项目研究获得可视化与可视分析领域业内认可，共发表10篇高水平论文，其中包含7篇CCF A、B类论文（5篇IEEE TVCG，1篇IEEE TKDE，1篇CGF），这些论文均与交通数据可视化和可视分析相关，项目负责人均为第一作者或通讯作者。除此之外，项目组还获得一篇最佳论文学术奖励，申请了一项发明专利。本项目的研究结果具有良好的应用前景。目前，拓扑密度图已经部署在深圳市城市公共安全快速应急辅助决策系统中。此外，项目在实时过程中，项目组处理了深圳市出租车数据，收集了三维点云选取数据，收集了可视化领域论文中的可视化图像并标注了多视图可视化数据，这些数据集具有巨大的挖掘潜力，为以后的工作打下了基础。