我所一篇论文被智能交通顶级期刊IEEE Trans. on ITS录取

发布时间：2019年3月20日

      近日，由我所万怀宇、林友芳老师指导，博士生郭晟楠和本科生陈钊铭、李仕杰合作完成的论文“Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting”被顶级期刊IEEE Transactions on Intelligent Transportation Systems（TITS）正式录用。

      TITS是智能交通领域的顶级学术期刊，2017至2018的影响因子为4.051。该期刊对论文的理论与应用贡献都有很高的要求，致力于用人工智能技术解决交通场景下的实际问题。

      我所被录用的这篇文章旨在解决交通领域下的时空网格数据预测问题。在智能交通系统的实际应用场景中，很多交通指标都可以用网格结构进行恰当的表示，如图1所示。例如，当我们关注城市人群转移模式时，可以把城市按着经纬度划分成均匀的网格，每个网格的流入、流出量用不同的数据通道表示。准确的网格化时空交通数据建模和预测可以有效指导上层智能交通的管理与调度，然而在实际中，这却是一个极具挑战性的问题。

图1. 网格化时空交通数据

       针对该问题，我们提出了一种基于三维卷积的网格化时空交通数据预测模型（ST-3DNet），创新性地将三维卷积引入时空交通数据挖掘领域，用于自动捕获交通数据的时空相关性。同时，为了充分考虑交通数据的异质性，我们还提出了一个新的“Recalibration (Rc) Block”模块，用于显示地量化不同时空相关性对于不同位置的交通预测的贡献度。此外，受人类活动影响，交通数据普遍存在着近期相关性和周期性，ST-3DNet分别采用了两个独立的子网络去建模交通这两种典型的时间维度特性。ST-3DNet模型的整体网络结构如下图2所示。

图2. ST-3DNet的网络结构

      在城市人口流量数据集和北京市内交通数据集上进行了充分的实验，结果表明同时兼顾了交通数据的时空相关性和时空异质性的ST-3DNet的预测效果明显优于其他现有模型。

      研究所下一步将在更多的实际场景下应用ST-3DNet模型，如出租车需求量预测、单车需求量预测等。