发布时间：2022年9月14日
根据国家自然科学基金委员会9月8日公布的《关于2022年度国家自然科学基金集中接收申请项目评审结果的通告》，我所今年共获得1项国家自然科学基金面上项目和4项国家自然科学基金青年基金项目立项资助。具体立项情况如下：
国家自然科学基金面上项目1项：
项目名称：面向交通预测的时空轨迹数据预训练表示学习方法研究
项目负责人：万怀宇
项目简介：探索如何从交通系统产生的海量时空轨迹数据中提取高质量的通用特征表示，服务于不同的下游交通预测任务。针对不同的交通对象（包括位置、轨迹和用户）的特征表示问题，分别研究基于时空轨迹数据的自监督预训练表示学习方法，重点解决时空轨迹的上下文特征、序列性特征和个性化特征建模三个关键科学问题，从而为不同的交通预测任务构建基于时空轨迹预训练的高质量通用嵌入式特征表示。
国家自然科学基金青年科学基金项目4项：
1.
项目名称：融合预训练表示的时空移动事件预测方法研究
项目负责人：郭晟楠
项目简介：精准化的位置服务是智能交通和智慧城市领域的研究前沿，其中用户移动行为预测是一个核心基础问题。目前关于移动行为预测的研究大多只关注位置预测，而实际上同时预测用户未来出行的时间和位置更有应用价值；而且当前方法缺乏对用户时空移动模式的有效建模，通常预测精度不佳、可解释性差。本项目以预测用户未来移动事件的发生时间和位置为目标，围绕同时提升移动事件预测模型的建模能力和可解释性这一关键科学问题，创新地采用预训练思想以获得高质量的通用移动事件序列表示；从概率角度建模充满不确定性的移动行为以学习其中蕴含的时空模式；基于细粒度级事件数据发现位置间宏观因果关系。项目研究成果将为位置服务产业理解用户出行需求、提升服务质量提供新思路。
2.
项目名称：动静结合的变异分析加速方法研究
项目负责人：王博
项目简介：变异分析是目前软件测试、调试与分析领域常用的基础性方法。但是在实际大规模的软件中实施变异分析会带来不可承受的巨大开销，因此对变异分析进行加速一直是软件工程领域的关键问题之一。当前已有方法主要采用动态分析手段约减测试执行时代价，通过挖掘可以共享的执行实现加速。然而，随着分析范围扩大，动态分析的成本成为进一步实现加速的瓶颈。基于此，本项目拟展开结合静态分析方法，降低动态分析代价，增强分析效果，从而进一步提升加速效果。
3.
项目名称：大规模动态图数据的高效相似性计算
项目负责人：刘钰
项目介绍：在大数据时代，面对各类真实场景产生的大规模动态图数据，高效的图相似性计算是图算法理论和图数据库领域的前沿科学问题。已有方法面向动态图节点间相似性、图间相似性计算存在计算效率和计算精度瓶颈，同时缺少问题复杂度、算法通用性和模型表达能力等基本理论问题的研究。本项目利用真实图数据的动态结构性质研究图相似性计算的理论建模方法并提出具有理论精度保证和接近最优复杂度的算法优化关键技术，同时设计动态图生成模型与高效生成算法，从数据驱动角度掌握图相似性的机理，从而实现大规模动态图上相似性计算理论模型和算法效率层面的突破，将动态图相似性计算的实际效率提升1-2个数量级。
4.
项目名称：面向多视角车辆重识别的多维一致性学习方法研究
项目负责人：吕凯
项目简介：车辆重识别是智能交通系统中必不可少的关键技术之一，是交通视频智能化处理的重要环节，对交通的“精准感知”和“精确分析”具有重要的意义。在复杂交通场景中，多视角拍摄的车辆图片受分辨率、光照等诸多环境因素的影响，不同图片之间存在显著的外观差异，进而在数据、特征、度量维度上影响车辆重识别的性能。本项目围绕复杂交通场景中多视角车辆图片的多维一致性学习这一科学问题，开展车辆重识别研究。本项目拟①结合多任务学习和不确定性理论进行数据增强，在数据维度建模样本一致性；②设计一种空间注意力正则化的新范式，引导特征表示关注在车辆的关键特征信息进行特征学习，在特征维度建模空间一致性；③结合值函数的强化学习方法，自适应地选择准确的特征通道，在度量维度建模通道一致性。本项目的研究方法旨在为真实场景中的智能交通、自动刑侦等应用提供强有力的技术支撑，具有广阔的应用前景。
国家自然科学基金项目是国家级高层次科学研究项目，获得其立项资助体现了科研团队的综合研究实力。我所教师在本次国家自然科学基金项目申报中取得优秀成绩，将鼓舞和激励我们今后不断开展高水平科学研究，取得更有学术价值和影响力的科研成果。研究所将继续深化科研工作，不断提升人才培养、科学研究和社会服务能力。