面向智慧交通的社交媒体大数据挖掘关键技术研究

Large-scale of social networks big data and heterogeneous properties bring challenge studies for quick collaborative data mining and deep understanding. Using social networks to carry out urban intelligent transportation management is still in its infancy, mainly from a large number of users extract collective wisdom by large social networks data. The wisdom to solve one of the main objectives of transport that collect real-time data traffic network conditions, traffic incident identification, classification and forecasting. This proposal focuses on big data mining of social network traffic topic. Establish the effective spatial calculation model which can identify the distribution of traffic topics through the analysis of the geospatial hierarchical structure. Combining the evolution process of real-time traffic topics and analyzing the data timing characteristics, Design a time domain signal analysis method. Propose effective time-domain signal analysis and summary generation method to detect and track traffic incident in large data stream. Build a message classification algorithm based on deep learning and a summary generation method of NLP for message understanding and Publishing for detecting traffic events in social network. Under the social media big data environment, reveal accessing effective express the importance of knowledge from space, time, text understanding for event detection and tracking. Through the integration of spatial and temporal characteristics, analyze and mining knowledge representation and intelligent decisions. Solve key technical problems faced by urban traffic computing. Efficient data management and analysis has important theoretical and practical value of data mining for social network, and other areas. And also provide experimental evidence for intelligent urban transportation planning.

社交网络大数据的庞大规模和异构属性为快速的协同挖掘和深度理解带来很大的挑战，利用社交网络开展城市智慧交通管理的研究还处于初级阶段，主要面临从大量用户的社交网络大数据中提炼出群体智慧，即对基于位置的交通状况的实时数据进行分析，对交通事件进行识别、分类和预测。本课题以社交网络交通话题的大数据挖掘为研究对象，通过地理空间等级结构分析，建立能够识别交通话题位置分布的有效空间计算模型；结合实时交通话题的演变过程，分析数据时序特征，设计有效的时域信号分析方法；提出基于深度学习的消息分类算法和用于消息发布和理解的摘要生成方法发现和检测交通事件。揭示社交网络大数据环境下，获取有效的空间、时间知识表达、文本内容理解对事件检测和跟踪的重要性。通过对具有时空特征的社交网络数据的整合、分析和挖掘，提取知识表示、发现用来做决策的智能规律，解决城市智慧交通计算所面临的关键技术问题，为智能城市提供实验依据。

社交网络大数据的庞大规模和异构属性为快速的协同挖掘和深度理解带来很大的挑战。本课题以社交网络交通话题的大数据挖掘为研究对象，（1）研究实时交通态势构建基于数据挖掘的空间特征分析方法，建立能够反映路口间协调控制需求的交通控制子区模型，进而实现自适应的交通信号动态调控。建立基于深度学习算法的时间预测方法。融合交通道路及其周边环境的动态表示方式，设计智慧城市中基于时空数据挖掘的智慧交通异常检测算法。提出一种全新的基于直线偏离度的局部搜索策略，用于对智能体进行路径规划,避障仿真和投影以生成移动智能体的图形化工作环境。（2）研究一种基于状态特征的道路时间预测模型，提高了人们对出行安排的合理化和层次化，对制定城市道路出行策略具有重要的意义。并利用LDA(Latent Dirichlet Allocation)模型，将获取到的大量文本信息和地理位置进行分词和词频统计的处理，从而获得签到的热点地理位置信息，进行热点推荐。提出了一个交通拥挤发现框架，并成功地将其应用于轨迹聚类。（3）研究了动态流行排序模型。此模型中不仅融入了信息的重要性特征，而且融入了信息与历史信息的关联特征以及信息的时间特征。提出了基于自然语言处理的动态多文档摘要系统框架，并将其应用于无线传感器网络的数据管理。开发了基于中文文本摘要动态特征的抽取方法，以社交媒体数据为研究对象，进行文本挖掘和建模分析来体现时间特性。申请成功并结题中央高校基本科研业务费项目1项、思政项目1项，省级教育教学规划课题1项。结题黑龙江省自然科学基金项目1项，参与国家自然科学基金青年基金1项。在三个研究内容的探讨中，解决了相应的科学问题。提出的模型和方法发表论文8篇，获得授权的发明专利3项。带领学生参加各类国家级比赛获奖8项。投稿在审的高水平论文6篇，培养相应的方向硕士研究生、本科生20余人。关键科学数据均来自开源公共数据集，具有较高的研究认可度和科学意义。所发表的论文和专利具有一定的科学意义和应用前景。