第二届“时空数据学习前沿技术研讨会”在线召开

发布时间：2021年1月14日

      2021年1月9日，由北京交通大学大数据研究院、交通数据分析与挖掘北京市重点实验室和民航旅客服务智能化应用技术民航局重点实验室联合主办、集智俱乐部协办的第二届“时空数据学习前沿技术研讨会”以在线会议的形式顺利召开。来自全国各地的644人参加了在线会议，同步在B站进行的网络直播人气峰值达到了6000+。

      本次研讨会的主题聚焦于时空数据的处理、表示、分析、挖掘等前沿技术，探索时空数据在智慧交通、智慧城市、健康医疗领域的应用前景和趋势。

      北京交通大学计算机与信息技术学院副院长兼北京交通大学大数据研究院院长林友芳教授和交通数据分析与挖掘北京市重点实验室主任兼北京交通大学人工智能研究院院长于剑教授担任本次研讨会的联合主席。

      研讨会特别邀请了来自新加坡南洋理工大学、清华大学、北京航空航天大学、电子科技大学、东南大学、中国科学技术大学、华中科技大学、厦门大学和北京交通大学的11位从事时空数据学习研究的学者做学术报告。

      研讨会于1月9日上午9:10开幕。本次研讨会主席、计算机与信息技术学院副院长、北京交通大学大数据研究院院长林友芳教授致开幕辞，阐述了时空数据学习在学术界和工业界的重要性，发起和主办“时空数据学习前沿技术研讨会”的初衷，以及去年举办的第一届会议的情况回顾。林教授在开幕辞中还对本次研讨会的筹备情况进行了介绍，对接受邀请的学者、参会人员、会务支持人员进行了感谢。

研讨会主席林友芳教授致欢迎辞

      本次研讨会联合主席、交通数据分析与挖掘北京市重点实验室主任、北京交通大学人工智能研究院院长、中国计算机学会人工智能与模式识别专委会主任于剑教授致辞欢迎各位专家参加研讨会，强调时空数据学习的重要意义和面临的技术挑战，召开“时空数据学习前沿技术研讨会”的重要性和必要性，希望参会者深入交流，有所收获。

      新加坡南洋理工大学丛高教授做了题为“GeoRich Data Management and Mining and Applications”的报告。丛老师首先介绍了流式空间数据查询，从解决流式时空文本数据的快速查找和连续查找问题出发，提出了一种基于流式空间文本数据的分布式内存系统，并介绍了该系统如何实现实时处理，以及如何实现负载平衡。之后，丛老师介绍了如何对轨迹数据进行挖掘，通过分析传统的轨迹相似性度量方法的不足，提出了一种学习轨迹背后隐式转移模式的度量方法，极大地提升了轨迹相似性计算的有效性。最后丛老师还简要介绍了如何基于强化学习的跳跃搜索来实现轨迹中的局部相似性计算。

新加坡南洋理工大学丛高教授做报告

      北京航空航天大学马晓磊教授带来了题为“海量轨迹数据驱动的货车编队优化研究”的报告，从货车编队技术的应用价值切入，探讨了学界对该技术的研究现状，同时提出了自己团队对该问题的解决方案，从原始的GPS轨迹数据处理出发，分为货运行程切分、具备方向识别的地图匹配、瞬时跟随关系识别和自发编队模式挖掘四个阶段，每个阶段都进行了精细化处理，最终从海量的轨迹数据中挖掘出具有极大利用价值的货车编队信息。

北京航空航天大学马晓磊教授做报告

      电子科技大学郑凯教授做了题为“基于时空预测和搜索技术的智能驾驶辅助变道系统”的报告，从国内外交通情况出发，分析城市交通拥堵原因，继而引出自动驾驶的应用场景，介绍了现有的自动驾驶辅助变道系统，总结了智能驾驶领域存在的问题。以此为基础，郑凯老师介绍了其团队在考虑自动驾驶车的行为对周围车的影响情况下，通过构建全新的具有可扩展性的自动驾驶辅助变道系统，使得轨迹预测模型更快更准，并能提升自动驾驶行为决策效率。郑老师还介绍了其团队提出的全新的车辆轨迹预测模型GES-LED，以及如何通过行为决策搜索算法来提升自动驾驶行为决策效率。

电子科技大学郑凯教授做报告

      东南大学的刘志远教授带来了题为“A Data-driven Traffic Flow Model Based on Gaussian Process”的报告，从城市交通分析的理论基础、交通系统分析方法出发，结合智慧城市建设中产生的海量数据，引出基于大数据的新一代交通分析模型。针对传统交通流模型中存在的现实交通流很难保持均衡状态、交通模型中的参数定义与实际采集数据不一致、传统模型只能分析三个参数等问题，提出了新的数据驱动的交通流模型，该模型以高斯过程回归对交通状态的需求侧变量和供给侧变量进行建模，并通过仿真实验验证了该模型在道路动态容量估计应用场景中的良好效果。刘老师最后总结了新的数据驱动的交通流模型的优点和未来可以拓展与改进的方向。

东南大学的刘志远教授做报告

      中国科学技术大学的汪炀副教授做了题为“以人为中心的时空数据计算：从稀疏感知到不确定性”的报告。汪老师从以人为中心的时空数据计算引入，提出了丰富多样的研究课题，从处理时空数据的相关工作回顾，总结出时空数据挖掘的两大挑战，然后从解决挑战出发，提出基于多方数据集学习解决伪稀疏问题，运用数据与损失函数变换策略处理本质稀疏问题。通过解决数据稀疏与不确定性问题，可以更有效地对时空数据进行挖掘，获得更有价值的信息，更好地为大众提供城市服务。

中国科学技术大学的汪炀副教授做报告

      清华大学李勇长聘副教授做了题为“人类移动揭示城市增长规律”的报告，从研究背景、现有模型、潜在应用场景等几个方面，系统地阐述了城市科学与计算中的热点问题。报告从探究城市增长的底层机制这一问题出发，提出了一种基于个体移动行为的城市扩张模型，该模型为城市扩张现象提供了微观解释框架，通过结合群体移动社交和个体移动记忆，填补了已有模型无法仿真出稳定、符合已知规律的城市区域扩张现象的不足。该模型可以在城市演化路径预演、政策效果预估、辅助城市规划等应用场景得到实际应用。

清华大学李勇长聘副教授做报告

      北京航空航天大学王静远副教授做了题为“基于时空大数据的城市疫情防控”的报告。王老师从大数据与人工智能的跨学科应用的大背景出发，结合当下新冠疫情热点，引出报告主题，并介绍了决策仿真这一疫情防控解决方案。王老师介绍其团队提出的传染病动力学模型SEIR，该模型考虑模型本身与当下新冠疫情现实不吻合的情况，进而进行了参数动态调整，构建了“发病但未确诊”状态U，得到SEUIR模型，指出对于状态U的控制是疫情防控的关键，并介绍了三种非药物干预措施。王老师还介绍了当前研究关注城市间的传播而对城市内疫情传播网络构建不足，因此需要融合人口活动和发病数据，推断疫情在武汉市内的传播网络。通过构建符合实际情况的SEOL模型，对市内交通管控强度、交通管控启动时间、确诊者严格隔离率、确诊速度等四个防控政策进行仿真实验，分析得到政策对发病数量有良好的抑制效果。

北京航空航天大学王静远副教授做报告

      华中科技大学郑渤龙副教授做了题为“面向供需感知的网约车巡航路径规划”的报告。报告首先介绍了该课题面临的两个主要挑战：网约车在路网搜索乘客存在竞争关系，以及乘客打车请求存在动态变化。在充分分析问题之后，郑老师定义了竞争性网约车巡航路径规划问题，并设计出一套行之有效的解决方案。对于乘车需求预测，郑老师团队设计捕获时空依赖关系的模块更加灵活、合理且高效地同时捕获短期与长期时空依赖。然后基于需求预测结果进行路径规划。郑老师还提到了在车辆间允许通信时如何解决网约车巡航路径规划问题，以及如何通过强化学习来选择更优的调度动作。

华中科技大学郑渤龙副教授做报告

      北京交通大学的王晶副教授带来了“从时-频-空维度理解生理信号”的报告。王老师首先介绍了生理信号的基本概念、“时-频-空”维度的表示和生理信号分类的问题定义。之后用四个模型分别展示了如何从“时-频-空” 维度理解生理信号。从时间维度，介绍了MMCNN模型在单个EEG信号的运动想象分类任务上的应用；从“时-频”维度，介绍了基于动态时频谱图的深度卷积网络在单导EEG信号睡眠分期任务上的应用；从“空时-空频”维度，介绍了TA3D网络在运动想象分类任务上的应用，模型同时考虑了三个维度的信息，提出了空时+空频双流结构；从“空-时频”维度，介绍了GraphSleepNet模型用于多导EEG信号睡眠分期任务。最后王老师简要给出了生理信号的未来研究展望

北京交通大学的王晶副教授做报告

      厦门大学范晓亮高级工程师做了题为“图神经网络在时空数据挖掘中的应用”的报告。范老师首先从城市时空数据挖掘的技术演进趋势、研究对象、研究现状入手，系统阐述了当下时空数据挖掘领域的研究背景。针对交通流量预测问题，介绍了其团队基于图像化的异构数据融合、图信号的固定传感器时空建模、基于时空点云的移动传感器时空数据建模三个方面的相关工作。随后介绍了相关工作的落地应用情况，尤其是为厦门疫情防控下的交通数据分析提供了重要的支撑。最后，范老师总结图神经网络和图表示学习方法已成为时空数据挖掘领域的重要技术手段，有望突破更复杂的任务。

厦门大学范晓亮高级工程师做报告

      北京交通大学万怀宇副教授带来了题为“时空数据的表示学习方法”的报告。万老师首先简述了表示学习和时空数据的概念，紧接着从时空数据端到端表示学习和预训练表示学习这两个部分介绍了如何有效地对时空数据进行表示学习。在端到端表示学习方面，万老师分别阐述了如何捕获时空网格数据、时空图数据以及时空轨迹数据的时间、空间和时空相关性。在时空数据预训练表示学习方面，万老师讲述了如何有效地提取时空对象的通用特征，针对静态位置嵌入表示介绍了TALE模型，针对上下文敏感位置嵌入表示介绍了CTLE模型。

北京交通大学万怀宇副教授做报告

      研讨会于下午17:10圆满结束。林友芳教授进行了简短的总结发言，再次感谢了大家的热情参与，并表示一定要将“时空数据学习前沿技术研讨会”长期办下去，为本领域的学者和从业人员提供一个优质的交流合作平台。