答辩公告
我的位置在: 首页 > 答辩公告 > 正文
刁祖龙答辩公告
浏览次数:日期:2019-05-17编辑:研究生教务办1

答辩公告

论文题目

基于机器学习的智能交通系统时空数据分析与预测技术研究

答辩人

刁祖龙

指导教师

张大方 教授

答辩委员会

主席

秦拯 教授

学科专业

软件工程

学院

信息科学与工程学院

答辩地点

软件大楼203会议室

答辩时间

2019518

下午4:00

学位论文简介


加速城市化进程和城市人口爆炸给城市交通管理带来了巨大压力。为了应对日渐增加的交通压力,尤其是早高峰时段或假期,许多城市都构建了一套复杂的智能交通系统。随着时间的推移,这些智能交通系统不断地被扩展和升级。目前的智能交通系统主要包括公交子系统、轻轨子系统、城市路网系统、高速路网系统等,每天产生大量的车流量、人流量等时空流量数据。准确的短期流量预测结果有利于评估交通拥堵持续的时间和影响的范围,辅助城市流量管控。有效的行人出行模式分析有利于城市规划的完善。

本文紧紧围绕时空流量预测与分析技术展开研究,以主要创新性研究成果:

(1). 论文提出基于混合机器学习模型的轻轨系统单时间序列流量预测算法。综合考虑时间,OD空间,频率和自相似性的因素,分步骤准确预测轻轨客流量。 算法首先应用离散小波变换(DWT)将交通量序列分解为一个近似分量和几个细节分量。 然后我们提出了一种更有效的跟踪模型来预测近似分量和一种新颖的高斯过程模型来预测细节分量。 我们的混合模型可以实现高达20%的精度提升,尤其是在高峰时段。

(2). 论文提出一种新颖的动态图卷积神经网络并应用于多路段流量预测问题。我们动态图卷积神经网络的核心是利用动态拉普拉斯矩阵估计器发现拉普拉斯矩阵的变化。为了实现低复杂度的及时学习,我们将张量分解结合到深度学习框架中,其中实时交通数据被分解为稳定的依赖于长期时空关联关系的全局分量和捕获流量波动的局部分量。我们提出一种深度学习结构设计用上述两个分量来估计图的动态拉普拉斯矩阵。同时,我们还在文章中给出新结构设计详细的理论依据和推导。 新型动态图卷积神经网络可以实现高达30%的多路段预测准确度提升,并且拥有更突出的容错性能。

(3). 针对目前缺乏对特殊人群行为模式研究的现状,论文基于复杂网络和大数据方法,分别从时空模式、移动距离分布、移动时间分布、移动间隙分布、社区迁移等不同角度系统地研究了城市普通人、老年人、学生、残疾人等各类人群的行为模式。研究成果为进一步完善城市规划、建设智慧城市提供有力的支持。

主要学术成果

[1] Z. Diao, D. Zhang, X. Wang, K. Xie, S. He, X. Lu and Y. Li. A Hybrid Model For Short-term Traffic Volume Prediction In Massive Transportation Systems[J]. IEEE Transactions on Intelligent Transportation Systems,2018(CCF-B)

[2] Z. Diao, X. Wang, D. Zhang, Y. Liu, K. Xie, S. He. Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting. AAAI-2019(CCF-A, acceptance rate of 16.2%)

[3] K. Xie, X. Li, X. Wang, G. Xie, D. Xie, Z. Li, J. Wen, Z. Diao, Quick and Accurate False Data Detection in MobileCrowd Sensing, IEEE INFOCOM 2019 (CCF A, acceptance rate of 19.7%)

[4] Y. Shi, D. Zhang, Z. Diao, K. Xie. A Maximum-Flow-Based Complex Network Approach for Power System Vulnerability Analysis, 2018 IEEE 3rd International Conference on Big Data Analysis (ICBDA 2018), 2018.