学位论文简介
挖掘城市时空数据中蕴含的知识来预测未来数据状态，能够为个性化出行推荐、交通疏导、公共安全和城市规划等一系列应用提供技术支撑。本文拟面向移动轨迹数据和交通流数据两类核心城市时空数据，以学习数据中的时空相关性这一关键共性技术为主线，围绕利用深度神经网络构建时空预测模型中所面临的不同挑战展开研究。本文主要工作和贡献如下：
（1）针对位置预测中因数据稀疏导致时空关系难以学习的问题，提出了一种语义感知的位置预测模型，使用异质网络以群体移动轨迹数据和POI数据为基础，充分挖掘相似地点和相似用户并提供丰富的上下文信息，利用注意力机制完成时空相关性学习。
（2）针对位置预测中个性化时空特征难以表达及学习的问题，提出了一种规律与偏好感知的位置预测模型，使用（时间，地点，访问频率和访问时长）四元组来表达用户规律与偏好，使用注意力机制对LSTM进行扩展以实现对时空相关性的学习。
（3）针对交通流预测中多源异构数据难以融合及利用的问题，提出了一种多元异构数据融合的交通流预测模型，设计了一个多源数据映射层将异构数据转换为同构数据进行融合，使用异质网络充分挖掘多源异构数据之间的丰富知识形成富含语义的上下文信息，利用注意力机制完成时空相关性学习。
（4）针对交通流预测中多样性外因场景下时空关系难以准确学习的问题，提出了一种外因感知的交通流预测模型，使用门机制来融合影响程度不同的外部因素，结合时空信息与外部因素形成上下文信息，基于空间换时间的思想，将多个时间刻度中交通状态压缩为一个时间刻度，利用注意力机制完成时空相关性学习。
主要学术成果
第一作者. Location Prediction for Individual Vehicles via Exploiting Travel Regularity and Preference[J]. IEEE Transactions on Vehicular Technology, 2022, 71(5): 4718-4732. （SCI二区）
第一作者. Unified Spatial-Temporal Neighbor Attention Network for Dynamic Traffic Prediction[J]. IEEE Transactions on Vehicular Technology, 2023, 72(2): 1515-1529. （SCI二区）
第四作者. Stay Time Prediction for Individual Stay Behavior[J]. IEEE Access, 2019, 7: 130085-130100. (SCI 三区)
第四作者. Stay of Interest: A Dynamic Spatiotemporal Stay Behavior Perception Method for Private Car Users[C]. IEEE 21st International Conference on High Performance Computing and Communications, 2019, 1526-1532. (CCF C 类)
