个体-群体时空活动轨迹挖掘方法研究

Based on urban computing and artificial intelligence, smart cities are targeted at serving the needs of social groups. From the perspective of individual to group, physical space to semantic space, the project explores the mining methods of urban residents' activity characteristics. Firstly, a method for representing individual spatio-temporal activity trajectories is proposed. The trajectory information in physical spatio-temporal space is combined with the behavioral information in the semantic space to construct a unified model of activity and travel; then, using machine learning methods such as conceptual apparatus, deep neural network, clustering and other machine learning methods, the feature extraction method of physical trajectory, structured trajectory and semantic trajectory is studied to construct the complete individual spatio-temporal activity trajectory. On this basis, we establish a spatio-temporal activity trajectory network for urban population, providing the explanation of urban mobility. Finally, combined with the accelerated K-medoids clustering, deep learning, and supply-demand matching theory, through the prediction of group travel-demand, it provides a new way to solve the problem of the configuration-optimization of traffic related resource, gives decision support for various intelligent urban applications, and verifies the effectiveness of the proposed scheme. This project is of great theoretical significance for studying the combination of AI methods and smart cities, and has potential application value in urban dynamics, human mobility awareness and other fields.

智慧城市以城市计算与人工智能为基础，以服务社会群体的活动需求为靶向。本项目从个体到群体、物理空间到语义空间角度，研究城市居民活动特征的挖掘方法。首先，提出个体时空活动轨迹表示方法，将物理轨迹信息与语义行为信息相结合，构造活动与出行的统一模型表示；然后，融合多种外部数据，利用概念器、深度神经网络、聚类等机器学习方法，研究物理轨迹、结构化轨迹、语义轨迹的特征提取方法，实现完整的个体时空活动轨迹构建；在此基础上，构造群体时空活动轨迹网络，给出城市人群的移动演化解释；最后，结合加速K-medoids聚类方法、深度学习、供需匹配理论，预测群体出行需求，为解决交通相关资源的配置优化问题提供新的思路，为多种智慧城市应用提供决策支持，验证所提方法体系的有效性。本项目对研究机器学习等人工智能方法与智慧城市的结合具有重要的理论意义，并在城市动力学、人的移动性认知等领域具有潜在的应用价值。

个体和群体的时空活动挖掘对于提升城市管理服务能力有重要意义，本项目创新性地构建了个体、群体时空活动的识别、建模、表示、分析和应用方法系统，围绕个体时空活动链、群体时空活动异构图的构建和分析开展工作，重点研究了出行模式识别、活动语义识别、群体活动模式挖掘等算法，及相关的特征选择、聚类算法等机器学习方法，并在共享单车动态调配、充电站静态配置等领域予以应用。项目取得如下重要结果：.1）提出了时空约束停留点识别方法，采用与聚类过程相统一的时空特征约束对轨迹簇进行细粒度识别，提高了个体出行停留点识别的准确率。.2）提出了基于社交媒体签到数据的个体活动语义识别方法，挖掘多源数据中活动时空特征、POI语义特征、空间偏好等联合特征，提高了稀疏数据中活动识别的准确性。.3）提出了个体时空活动链模型和构建方法。基于时空聚类、集成学习和深度学习等方法，构建了包含个体出行模式、活动语义、时序关系、空间关系等信息的个体时空活动链，给出了有效的个体时空活动提取和表示模型。.4）提出了群体时空活动异构图模型，建模了活动语义，活动间的时空关系，利用节点嵌入方法形成了对个体、群体时空活动可度量、可伸缩的灵活表示形式。并在此基础上提出了无监督的群体活动模式和异常活动挖掘算法。.5）提出基于城市空间语义和个体行为模式的城市充电站选址规划方法，提升了充电站选址对个体需求的满足度。提出了大规模单车系统调配方法，有效平衡了计算效率与决策变量尺寸的关系。.共发表论文31篇，其中国际刊物13篇；SCI、EI 分别收录13篇、7篇。.获国家发明专利、软件著作权 3项。.结合本项目研究工作，毕业博士2人、硕士6人。.本项目将对进一步优化居民活动与城市管理服务的关系具有重要的理论意义，对利用信息科学的数据融合和人工智能算法研究解决城市、社会、环境等领域问题具有借鉴作用。