面向交通流微观结构的时空特征子空间分析方法研究

With the worsening traffic congestion, it is very important for traffic flow management to research the internal-factors of the macroscopic traffic flow and reveal the rule of urban traffic flow. The project breaks through the traditional analytical methods based on model or data-driven. Various traffic flow data, such as probe cars, mobile phone location, fixed detectors and social media etc, are fusion analyzed. The passengers’ trip decision and path selection and the network distribution of traffic flow are depicted by mathematical methods. The internal micro-features of the macroscopic traffic flow, which name is feature subspace are extracted by sparse representation. Then, the spatio-temporal distribution of feature subspace and the community associated features are discovered with spatio-temporal analysis. So as to further reveal the mechanism that macro-properties of network traffic flow emerge with the micro-factors. All of these works provide the theoretical basis for interpreting characteristic of network traffic flow, precisely analyzing and predicting traffic flow and realizing the effective control of traffic flow.

随着城市交通拥堵现象的日益严重，研究影响宏观交通流现象形成及变化的本质因素，发现交通流的运行与演化规律，对城市交通流管理具有重要意义。本项目在融合分析多种交通流数据（如浮动车数据、手机定位数据、固定检测器、社交媒体数据等）的基础上，力图突破传统的基于模型或数据驱动的交通流解析方法，采用数理方法刻画人的出行决策、城市功能分区和交通流的网络分布，运用稀疏表达等手段从宏观交通流现象中提取内在的微观结构特征，即“特征子空间”。进而，利用时空数据分析技术发现特征子空间的时空分布和社区关联特征，进一步揭示网络交通流宏观性质如何通过微观局部的相互作用涌现机理，为解析网络交通流的运行与演化特性、精确分析和预测交通流、实现交通流的有效管控等提供理论基础。

本项目针对日益严重的交通拥堵问题，通过对广泛的交通数据（交通路网数据、浮动车数据等）和人的行为数据（地铁刷卡数据、社交网络位置数据等）进行融合分析，采用稀疏表达、谱分析等方法从宏观交通流现象中发现交通流内在的、本质的结构特征，即“特征子空间”。通过交通流和特征子空间的投影映射，发现交通流在微观结构上的时空分布特征和社区关联特征，进而揭示交通流现象的运行与演化机理，为精确分析和预测交通流提供理论基础。研究的主要内容包括（1）采用归一化拉普拉斯谱和复杂网络理论对各类交通网络和居民出行网络的拓扑结构进行实证研究和分析，从宏观和定量的角度来表达城市交通网络内在、本质的结构特征。（2）采用Node2vec算法对城市居民的行为数据进行嵌入表达，通过聚类分析和可视化分析对城市各功能区进行识别以及对地铁站点进行分类，从微观层次揭示了交通流在时空上的分布特征，同时也验证了网络嵌入模型Node2vec用于地理空间结构分析的有效性。（3）采用Graphwave图嵌入方法对城市居民出行网络进行特征表达，通过主成分分析和聚类分析发现网络结构中的相似信息，进一步识别城市的重要空间结构。（4）结合居民出行的各类影响因素，与出行数据共同构建城市知识图谱，对城市居民出行特征进行知识表达以及可视化分析，发现交通流在微观结构上的时空分布特征和影响因素的关联，从底层和本质上揭示网络交通流的运行演化机理。（5）提出一种时态图卷积网络模型，采用图卷积网络学习交通网络结构上的空间依赖性，利用门控循环单元学习交通流的时间依赖性，进一步实现交通流的预测。（6）提出一种基于注意力的时态图卷积网络模型，即在时态图卷积网络模型的基础上加入注意力机制，用于学习交通流全局时间变化趋势，进而实现交通流的预测，取得了较好的结果，表明该模型具有较好的时空预测能力和全局时间变化特征捕捉能力。