学位论文简介
本论文围绕神经网络的时空交通流量预测展开研究工作，主要工作内容和创新点如下：
（1）针对城市局部区域的交通预测问题，提出了3D卷积残差神经网络的预测方法。根据空间维度将城市划分为多个局部区域，每个区域包含多个时间依赖 （趋势，周期，接近度）。运用3D卷积残差神经网络提取、学习这些区域中的多个时空特征，为不同的时间依赖分支（趋势，周期，接近度）分配不同的权重，聚合这些分支信息获得预测。相比2D卷积神经网络，3D卷积残差神经网络具有处理3D信息的能力，包含3D卷积和3D池化操作，残差网络能够使 3D卷积神经网络进行跨层连接实现更深的网络结构，能够充分利用从低层到高层的交通流量信息。实验结果显示，该方法相比于其它基准方法，提高了交通预测的准确性。
（2）针对高速路况的交通预测问题，提出了自适应时空图卷积网络用于局部-全局协作学习的预测方法。通过沿时间维度划分全局时空信息，获得不同的局 部时空信息（即：每个时间点的时空信息）。对于局部时空信息，建立了一个自适应图卷积，以增强图卷积网络（GCN）在显式图结构中管理偏差的能力。然后，采用了注意力机制来学习动态节点邻域的局部总结，以获得高质量的信息。对于全局时空信息，使用了时间卷积网络（TCN）块和常微分方程（ODE）。自适应时空图卷积网络将自适应图卷积、注意力机制、TCN块和ODE进行集成来学习局部-全局时空信息。
（3）针对长期时空依赖的交通预测问题，提出了图时空位置循环网络的交通流量预测的预测方法。具体地，围绕区域位置信息建立了位置嵌入矩阵，并基于自注意力（self-attention）的图卷积模块，提取节点特征和局部邻域信息，以计算多个节点之间的依赖强度，用于捕获空间依赖关系；设计了近似个性化传播模块，通过大量的邻域聚合层信息来扩展节点邻域传播范围，以获得更多的空间邻域信息和空间异构性特征；将基于自注意力的图卷积模块和近似个性化传播模块集成到门控循环单元（Gated Recurrent Units），进行提取、学习图结构时空序列数据并产生预测。 实验结果显示，该方法相比于其它基准方法，提高了交通预测的准确性。
主要学术成果
Yibi Chen, Xiaofeng Zou, Kenli Li, Keqin Li, Xulei Yang, Cen Chen. Multiple local 3D CNNs for region-based prediction in smarties cities. Information Sciences, 2021. (第一作者, SCI一区)
Yibi Chen, Yikun Hu, Keqin Li, Chai Kiat Yeo, Kenli Li. Approximate personalized propagation for unsupervised embedding in heterogeneous graphs. Information Sciences, 2022. (第一作者, SCI一区)
Yibi Chen, Kenli Li, Chai Kiat Yeo, Keqin Li.Traffic forecasting with graph spatial-temporal position recurrent network. Neural Networks, 2023. (第一作者, SCI一区)
Yibi Chen, Yunchuan Qin, Kenli Li, Chai Kiat Yeo, Keqin Li. Adaptive spatial-temporal graph convolution networks for collaborative local-global learning in traffic prediction. IEEE Transactions on Vehicular Technology, 2023. (第一作者, SCI二区)
陈依彼, 陈岑, 陈建国, 段明星, 李肯立, 李克勤, 张尧学. 一种融入语义模型的遥感图像油罐检测方法. 发明专利：ZL 2019 1 0432527.4. 2023.
