欠采样条件下基于稀疏表达的交通流重构与功能结构特征分析方法

Using mathematical method to depict the spatial and temporal characteristics of people travel decisions, routing and traffic flow based on the microscopic traffic flow needs, which is the key to reveal the structure evolution of urban traffic flow and ease congestion. It faces two key difficulties in the big-data context, one is sub-sampling and high noise in the traffic flow data and the other is spatial and temporal structure patterns of urban traffic flow. For the first question, firstly, we analyze the complexity of the transport network and construct a sparse structure model of transportation network. Describe the flow of network traffic through a set of complete dictionary. Construct measurement matrix of steady traffic flow based on the existing sub-sampling observational data and Gaussian random matrix. Ultimately, a network traffic flow can be reconstructed through the optimization L1 norm. For the second question, we further research and analysis the features of spatial and temporal groups, effects of regional groups gathering based on the high precision data. Then, understand the operation and evolution of the characteristics of urban traffic flow on quantitative and microscopic. A new theory and methods will be proposed by our project, which can reconstruct the original traffic flow information under the conditions of sub-sampling and high signal to noise ratio. At the same time, some new ideas about understanding the structure and characteristics of urban traffic flow will be provided by our research.

从交通流微观需求入手，用数理方法刻画人的出行决策、路径选择和交通流量的时空分布特征，是揭示城市交通流结构演变规律与缓解拥堵的重要问题。在大数据背景下，面临两个关键难点：1、交通流数据中的欠采样和高噪声；2、城市交通流时空结构模式是什么。针对第一个问题，首先分析交通网络的复杂性，建立交通网络的稀疏结构模型，通过一组完备字典，来描述交通流网络，进而利用高斯随机矩阵，在已有的欠采样的观测数据上构建交通流稳态测量矩阵，最终通过L1范数下的最优化，重构交通流网络。针对第二个问题，在高精度的数据下，本申请将进一步研究分析交通流的时空分布组团特征和区域聚集效应，最终达到定量和微观上理解城市交通流的运行与演化特性。本项目为在欠采样和高信噪比条件下重构出原始的交通流信息提供了全新的理论和方法，同时为理解城市交通流的结构特征提供了新的思路。

面对日益严重的交通拥堵问题，从影响宏观交通流现象形成及变化的微观因素入手，用数理方法刻画人的出行决策、路径选择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与拥堵突现轨迹显得尤为重要。本课题在对不同交通流数据（例如空间信息、浮动车，手机位置、固定检测器、社交媒体等）融合分析的基础上，力图突破传统的基于模型或数据驱动的交通流解析方法，采用子空间学习方法从宏观交通流现象中寻找“网络交通流的特征子空间”，来表达其本质上的城市功能特征及其空间分布，而网络交通流的微观结构则表现为由特征子空间通过时空变化所张成的个体出行行为演化规律，在此基础依靠特征子空间的时空变换发现网络交通流的时空分布和社区关联特征，进一步揭示网络交通流宏观性质如何通过微观局部的相互作用涌现机理，为解析网络交通流的运行与演化特性、精确分析和预测交通流，实现交通流的有效管控等提供基本的理论基础。.为进一步寻找“网络交通流的特征子空间”，本研究主要按照技术进化的路线进行研究，从矩阵分解，到图表征模型，到图神经网络到知识增强的图神经网络的思想来进行研究交通流的特征问题。研究结果表明，交通流具有周期部分，稀疏部分和其他部分三个显著的部分和特点，以深度学习为代表的图表征学习、图卷积网络能够很好的对交通流进行预测。未来的工作可以通过可解释性图卷机网络进一步分析交通流的机制，为更好的理解交通流背后的原理提供依据。