数据驱动的交通拥堵要因分析迁移学习方法研究

Reasonable analysis of traffic congestion under different conditions of time and space is the premise and basis for solving the traffic congestion problem. However, the spatio-temporal data are not independent and identically distributed, therefore, traditional methods of feature selection cannot be directly used to analyze the cause of congestion. At the same time, relevant geographic information, social networks and other data are high-dimensional mass data, increasing the difficulty of solving the problem. Therefore, this project intends to apply the theories and methods of transfer learning, feature selection and big data parallel computing to study a data-driven transfer learning method for analyzing the key factors of traffic congestions. First, we construct the theory of spatio-temporal feature transfer learning for high-dimensional massive data; then we construct the spatio-temporal feature transfer learning method by constructing the feature selection method and classifier for high-dimensional massive data; we apply the proposed method to the analysis of traffic congestion of urban area. The project proposes a method to analyze the problem of traffic congestion by integrating GIS with social network media. Finally, we develop a prototype system to analyze the causes of traffic congestion and conduct empirical research. The research results have enriched the literature of transfer learning and feature selection, which can provide reference for the construction of spatial and temporal transfer learning methods in the fields of geography and agriculture. The proposed method can provide decision support for traffic management, urban planning, traffic police and other departments.

合理分析不同时空条件下交通拥堵要因是解决交通拥堵问题的前提和基础，然而，时空数据非独立同分布，使得传统的特征选择方法不能直接用于分析拥堵的要因；同时，经处理的交通拥堵的地理信息、社交网络等数据均为高维海量数据，增加了解决问题的难度。因此，本项目拟运用迁移学习、特征选择、大数据并行计算等理论和方法，研究数据驱动的交通拥堵要因分析迁移学习方法。首先，构建面向高维海量数据的时空特征迁移学习方法相关理论；然后，通过构建面向高维海量数据的特征选择方法和分类器，构建时空特征迁移学习方法；接着，将提出的方法应用于城市交通拥堵要因分析问题，提出融合GIS和社交网络媒体的交通拥堵要因分析迁移学习方法；最后，开发交通拥堵要因分析决策支持原型系统并进行实证研究。研究成果丰富了迁移学习和特征选择的文献，可为地理、农业等领域构建时空迁移学习方法提供借鉴。方法可以为交通管理、城市规划、交警等部门提供决策支持。

分析不同时空条件下交通拥堵要因是解决交通拥堵问题的前提和基础。由于交通拥堵具有时空变化性，与交通拥堵相关的时空数据并非独立同分布的数据。因此，现有的传统特征选择方法，不能直接用于分析交通拥堵的要因。另一方面，社交网络媒体和GIS地理信息服务平台为研究数据驱动的交通拥堵要因分析提供了数据基础。然而，此类数据主要是非结构化的图像、文本等数据，这些数据经过特征抽取形成的往往是高维海量数据。这也增加了研究数据驱动的交通拥堵要因分析方法的难度。.因此，本项目构建了基于软集合的群决策、基于深度自编码的图片时间序列数据分析、基于双射软集合的高维海量数据特征选择理论和方法；构建了基于软集合的群决策方法、基于深度自编码的图片时间序列、电子地图数据的时间趋势分析方法；将理论和方法的成果应用于交通拥堵成因诊断、群决策、交通拥堵时变特征挖掘、气候变化、供应链管理。同时，与重庆市公安局交巡警总队等合作，推进应用转化为技术示范和软件平台。..我们发现本项目提出的基于Q学习的方法、基于双射软集合的高维海量数据特征增量选择方法、GM（1,1，⊗b） 梯形可能性函数方法、基于深度自编码的迁移学习方法等能够应用于交通拥堵要因分析和交通拥堵的时空变化，能够有效的提升交通拥堵管理的精度，减轻管理者的数据处理和分析的工作量。同时，提出的方法还被应用于解决小样本数据下的电力预测问题，提升了电力预测在小样本情况下的精度。基于深度自编码的迁移学习方法和模型还被应用于气候变化下供应链运营管理问题。揭示企业如何应用供应链松弛应对厄尔尼诺南方涛动的影响。同时，本项目还研究了厄尔尼诺南方涛动对旅游、呼吸道疾病的影响。本项目的研究成果被同行认可，发表在13篇SCI期刊论文中。项目组获得了突破，投稿到Management Science（UTD24期刊），并获得送审的机会。后续的研究成果将继续投往Journal of Operations Management（UTD24期刊）。