学位论文简介

城市车辆保有量增加导致车辆流量不均衡分布，带来交通拥堵、停车困难和温室气体排放等问题。为了解决这些问题，预测城市区域的车辆流量及分布状况至关重要。近年来，车辆轨迹数据和卫星定位系统等技术的普及提供了数据支持。然而，车辆流量的演变受到区域功能、天气等多源因素的影响，需要融合多源因素的时空多样性和表征城市区域的功能语义复杂性。现有的方法难以从多维度捕获城市区域车辆流量的多重时空关联性。此外，车辆在城市区域中的出行分布不均匀造成的数据稀疏也是车辆流量预测的一个重要挑战。为解决以上挑战，本文提出了一系列创新性的图网络预测模型，分别用于城市区域内的车辆流入量、流出量、停留量以及城市区域间的源-目的地（Origin-Destination, OD）流量预测。本文主要的研究工作和具体贡献如下：

（1）针对时空数据的多样性难以融合问题，本文提出一种基于多源数据融合的图卷积网络以预测城市区域车辆流入流出量。该网络融合车辆轨迹、城市区域、天气、节假日和事件等多源时空数据，分别通过图卷积门控循环网络和多头自注意力网络学习时空数据多样性。在真实的多源时空数据集上进行对比实验，实验结果证明了提出网络的准确性。

（2）针对城市区域的功能语义复杂性难以解析问题，本文提出一种面向语义感知的双视角卷积网络以预测城市区域车辆流入流出量。双视角卷积网络分别从像素视角和图视角对车辆流量演变的时空关联性进行建模，像素视角建模城市功能区域车辆流量演变的局部时空关联性，图视角建模城市功能区域车流量演变的全局时空关联性，最后联合预测未来各个城市功能区内的车辆流量。在两个城市的数据集上进行实验，实验结果证明了提出网络的准确性。

（3）针对车辆流量演变的多重时空关联性难以捕获问题，本文提出一种基于多图密连接卷积的协作循环网络以预测城市区域的车辆停留量。该网络通过多视角时空图建模车辆停留量演变和城市区域之间的多重时空关联性，将密连接块引入多图卷积网络以全面捕获多重空间关联性，设计协作循环网络和注意力网络以捕获车辆流量演变的序列时间关联和城市区域的停留时间关联性。在私家车轨迹数据上进行对比实验，实验结果证明了提出网络的准确性。

（4）针对车辆流量转移的稀疏性问题，本文提出一种基于多图的生成对抗网络以预测城市区域间的车辆OD流量。车辆在城市OD区域出行分布不均匀会产生稀疏的流量转移记录，该网络通过生成对抗过程解决流量转移稀疏性问题。多图卷积门控循环网络作为生成网络，以捕获转移矩阵演变的时空关联性。基于图注意力的多图卷积网络作为判别网络，以个性化表征城市区域的吸引力。在三个城市的两种类型的车辆轨迹数据集上进行对比实验，实验结果证明了提出网络的准确性。

主要学术成果

[1] C. Liu, Z. Xiao, D. Wang, et al, “Foreseeing Private Car Transfer between Urban Regions with Multiple Graph-based Generative Adversarial Networks,” World Wide Web, 2022. （第一作者，CCF B类期刊）

[2] C. Liu, Z. Xiao, D. Wang, et al, “Exploiting Spatiotemporal Correlations of Arrive-Stay-Leave Behaviors for Private Car Flow Prediction,” IEEE Transactions on Network Science and Engineering, 2021. （第一作者，中科院2区Top期刊）

[3] C. Liu, J. Cai, D. Wang, et al, “Understanding the Regular Travel Behavior of Private Vehicles: An Empirical Evaluation and A Semi-supervised Model,” IEEE Sensors Journal, 2021. （第一作者，中科院2区期刊）

[4] C. Liu, D. Wang, H. Chen, et al, “Study of Forecasting Urban Private Car Volumes based on Multi-source Heterogeneous Data Fusion,” Journal on Communication, 2021.（第一作者，CCF B类中文期刊）

[5] G. Jin, C. Liu, Z. Xi, et al, “Adaptive Dual-View WaveNet for Urban Spatial-temporal Event Prediction,” Information Sciences, 2021.（第二作者，CCF B类期刊）

[6] J. Xiao, Z. Xiao, D. Wang, V. HAVYARIMANA, C. Liu, et al, “Vehicle Trajectory Interpolation Based on Ensemble Transfer Regression,” IEEE Transactions on Intelligent Transportation Systems, 2021. （第五作者，CCF B类期刊）

[7] H. Chen, D. Wang, C. Liu, “Towards Semantic Travel Behavior Prediction for Private Car Users,” IEEE International Conference on High Performance Computing and Communications, 2020.（第三作者，CCF C类会议）

[8] C. Liu, Z. Xiao, W. Long, et al, “Vehicle Trajectory Data Processing, Analytics, and Applications: A Survey,” ACM Computing Surveys, 2023. （第一作者，中科院1区TOP期刊，在审）