基于多模态嵌入模型的人类交通行为流特征分析方法

In big data era, it is very important to describe the self - organization evolution of urban traffic flow by means of large scale human behavior data. The data driven method gives an opportunity to hire mathematical method to understand how individual’s behavior evolve into macro traffic flow. It’s very important to insight the distribution of people 's travel decision - making, path selection and traffic flow. We studies the traffic phenomenon from the perspective of human behavior flow, and thinks that the complex traffic behavior in urban space can be expressed by a small number of behavioral eigenvectors. These behavioral eigenvectors are finite and have intrinsic stable spatio-temporal structure. Also, the behavioral eigenvectors can be learned from data. In order to solve the problem of traffic behavior flow, we follow "characteristic expression" - "multimodal data fusion" - "macro-traffic evolution analysis" research paradigms. We proposes a context-based embedded learning model, and constructs the characteristic pattern of human behavior flow in urban space from the perspective of. The method of multi-modal traffic behavior data fusion based on embedded learning is proposed. Aiming at the evolution mechanism of micro-human behavior flow characteristics to macro-traffic flow, Memory model of human traffic behavior flow evolution learning method. This study will provide a theoretical basis to understanding the mechanism underlying macro traffic flow and help to forecast traffic flow and realizing effective control of traffic.

大数据背景下，通过大规模人类行为数据，采用数理方法刻画人的出行决策、路径规划和交通流量的网络分布，揭示城市交通流的自组织演变规律显得尤为重要。本项目拟从人类行为流的视角，通过“特征表达→多模态数据融合→宏观交通演化分析”对交通现象开展研究，首先利用城市大数据学习获得具有内在稳定结构的人类行为特征向量，进而采用这种行为特征向量表达城市空间中复杂的交通行为流，实现对交通行为流深层特征与机制的研究。其中，针对交通行为流表达，提出基于上下文的嵌入学习模型，构建城市空间人类行为流特征模式分析方法；针对数据采样的有偏性、时空分布不均，提出基于嵌入学习的多模态交通行为数据融合方法；针对微观人类行为流特征到宏观交通流运行规律的演化机理，提出基于长短记忆模型的人类交通行为流演化学习方法。本项目研究将有助于揭示网络交通流宏观性质与微观局部的相互作用涌现机理，为交通流精准预测和交通高效管控提供理论依据。

随着城市道路交通系统负荷增大，提高城市交通管控效率成为解决交通问题的主要有效手段。人类行为特征是理解交通流运行机制的关键，随着带地理标签的大数据产业的兴起，如何利用人类行为大数据来分析人类交通行为流特征，并指导交通管控，已成为智能交通新的研究热点。.本项目从人类交通行为流的视角，通过“特征表达→多模态数据融合→宏观交通演化分析”对交通现象开展研究，构建人类交通行为流特征分析方法体系。结合多模态人类行为数据，通过“移动行为特征表达——多模态数据融合——宏观交通演化分析”的递进式链式研究，挖掘城市空间人类交通行为流模式，发展多模态人类交通行为流嵌入分析方法，建立协同人类活动特征和宏观交通流规律的人类交通演化学习模型，揭示微观行为对宏观模式的涌现反应，正确理解城市空间交通流运行与演化特征并准确精细预测交通流，为交通高效管控疏导提供理论模型与知识支持。.项目执行中，结合多模态人类出行移动轨迹数据，系统地建立了人类交通行为流模式聚集特征认知与挖掘方法，提出了出行热点模式、拥堵移动模式、交叉口汇集模式和路网空间几何聚集模式识别方法；面向人类交通行为分析的人口空间化估算和基础地理单元语义推理等应用场景，基于地理空间单元的多模型广义回归推理的数据融合模型，提出了顾及样本信息的多模态数据地理对齐与融合方法；研究了人类个体移动与路段时空转移的时空相关性，并通过嵌入出行行为分析模型，发展了基于深度学习模型的人群流动时空演化过程预测方法；最终，基于人类行为特征-路径选择概率的交通流分配模型，结合空间认知、网络拓扑、交通动力学模型等理论方法，顾及真实交通需求，建立了城市空间交通系统演化评估方法。.项目研究基本实现了预期目标，相关成果对于城市流预测与交通智能管控具有重要的价值。公开发表学术论文14篇（其中，SCI/SSCI期刊论文11篇，EI论文1篇），申请及授权专利11项。