城市道路交通大数据融合方法研究

Due to the ubiquitous and cubic distribution of urban traffic perception means as well as the complexities of objects and their various types being perceived, urban traffic big data are characteristics of massive hybrid, multi-source heterogeneity, temporal and spatial dynamic changes, etc.. The above complexities make big data analysis very challenging and they are the bottlenecks for the practical applications. For serving traffic management and intelligent decision, it is urgent to address the above bottlenecks and bridging the gap from data perceiving to information fusion and value improvement.. .This project aims at mining information and improving value hidden in the traffic big data by simplifying and merging heterogeneous data acquired from air, ground and Internet network. In detail, the above difficulties are expected to be tackled from the following three levels: theory and methodology for intellectually perceiving versatile urban traffic big data, algorithms for merging heterogeneous spatial-temporal data, data-driven methods for comprehensively visualizing irregular urban traffic big data and reliably predicting congestion. These topics are connected together and linked by multi-source heterogeneous data fusion. By studying the above three topics and merging the advanced techniques from overlapping multi-disciplins, the project is promising in not only making important contributions on the theory and methods for multi-source heterogeneous traffic big data fusion, but also helping us march forward to the international forefront of the traffic big data research. In summary, the practice of this project will provide the core theories and key techniques for the construction of new-generation intelligent traffic big data mining, and help drive the leap-forward development of intelligent transportation with a sound technical foundation.

城市交通感知手段的泛在和立体分布、交通感知对象及其属性种类繁杂导致城市交通大数据海量混杂、多源异构、时空动态变化，我们面临大数据分析方法瓶颈和挑战。如何打通从数据感知、信息融合到价值提升的技术环节，解决其中的关键科学问题，服务交通科学管理和智能决策，显得越来越迫切。.为此，本项目围绕将交通大数据“化繁为简、提升价值”的目标，整合来源于“空中、地面、网络”的交通数据，拟从如下三个层次展开研究：城市道路交通大数据智能感知理论与方法、城市道路交通大数据的时空融合理论方法、城市道路交通大数据挖掘与分析方法。这些研究内容以多源异构大数据融合为纽带，层层递进。基于上述研究，通过多学科交叉，本项目期望能够在多源异构交通大数据分析方面进行创新，走向交通大数据研究的国际前沿。本项目的成功实施，可为我国构建新一代交通大数据分析系统提供理论与核心算法支撑，推动智能交通技术的高起点、跨越式发展。

交通大数据是交通状态多粒度时空感知、出行服务模式创新、交通管理决策大数据驱动范式转变的基础性数据资源。从空中、地面、网络等立体泛在方式获取的交通大数据海量、多源、异构、动态变化。针对“化繁为简、提升价值”的目标，需要发展新型人工智能方法来解决其中的关键问题。为此，本项目的主要研究内容包含：交通大数据挖掘分析的基础理论与方法、城市交通及其关联对象智能感知的计算理论与方法、城市交通大数据时空融合和交通状态预测理论与方法。.自项目开展以来，项目组按照“大数据驱动的管理与决策研究”重大研究计划的整体部署，对标全景式管理决策PAGE框架，依据本项目研究目标、研究内容、研究计划部署和预期研究成果要求，结合交通大数据特点，对拟解决的关键科学问题进行了深入分析，提出了相应的解决方法。项目执行情况良好，并因此获得了较好的研究成果。.在基础理论与方法层面，提出了跨模态排序保持哈希学习与多整值反对称非线性哈希学习方法、多深度自进化聚类模型、主题和词性语义引导的跨模态图像语句描述模型，可实现高维数据的非线性表征和跨模态异构融合。.在核心技术层面，构建了“人、车、道路、环境”多层次立体化智能视觉感知方法体系，研制了一系列新的深度学习模型，可实现“天、空、地”交通目标多尺度感知；研制了多源异构交通大数据融合框架，可实现静态知识、静态空间分布数据、动态时序多源异构交通大数据的融合；构建了时空交通大数据驱动的交通状态预测算法体系，以设计新型图卷积神经网络方法为创新驱动，提升了交通状态预测的精度。在此基础上，研制了一个交通数据可视化分析系统，可输出丰富的可视化图谱，呈现出重要的交通管理价值。.本项目出版专著一部；发表相关论文58篇，其中，SCI论文28篇（含国际顶级期刊论文20篇），当前平均影响因子达7.943，国际会议论文30篇（含国际顶级会议论文21篇）；申请发明专利11项；取得软件著作权9项；向交通业务部门提交建议报告2份。