中國(guó)國(guó)際科技促進(jìn)會(huì)發(fā)布ICS35.240.99CCSL73團(tuán)體標(biāo)準(zhǔn)XDeeplearningdrivendataminingandpredictivetechnologyspecificationforigenttraffic(征求意見(jiàn)稿)在提交反饋意見(jiàn)時(shí)，請(qǐng)將您知道的相關(guān)專利連同支持性文件一并附上。IT/CIXXXX—XXXX 性引用文件 1 5智慧交通數(shù)據(jù)挖掘預(yù)測(cè)技術(shù) 26數(shù)據(jù)采樣與預(yù)處理 27基于深度學(xué)習(xí)的挖掘算法 38智慧交通應(yīng)用場(chǎng)景 59數(shù)據(jù)挖掘預(yù)測(cè)性能評(píng)估指標(biāo) 7 T/CIXXXX—XXXX前言本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請(qǐng)注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專利的責(zé)任。本文件由南方科技大學(xué)提出。本文件由中國(guó)國(guó)際科技促進(jìn)會(huì)歸口。本文件起草單位：南方科技大學(xué)、長(zhǎng)春理工大學(xué)、中國(guó)第一汽車(chē)集團(tuán)有限公司、北京大學(xué)、華為技術(shù)有限公司、重慶大學(xué)、浪潮集團(tuán)有限公司、同濟(jì)大學(xué)、中國(guó)檢驗(yàn)認(rèn)證集團(tuán)深圳有限公司、深圳市駿嘉科技發(fā)展有限公司、深圳市鎧碩達(dá)科技有限公司、深圳渾沌數(shù)字化實(shí)驗(yàn)室科技有限公司、深圳樹(shù)米網(wǎng)絡(luò)科技有限公司、汕頭大學(xué)、吉林省卡思特科技有限公司、吉林省中云數(shù)訊股份有限公司、超智研發(fā)中心 (深圳)有限公司、碳獵研發(fā)中心(深圳)有限公司、深圳安視信息技術(shù)有限公司、蘇州奇盈半導(dǎo)體科技有限公司、維旭長(zhǎng)電科技(深圳)有限公司。本文件主要起草人：宋軒、尹渡、張博淵、鄧捷文、鄧錦亮、張凌宇、賈云健、張昕、宋小龍、劉妍、周時(shí)瑩、李長(zhǎng)龍、孫宗姚、王中一、謝奕、高亮、陳欣、陳瑤、袁飛。1T/CIXXXX—XXXX深度學(xué)習(xí)驅(qū)動(dòng)的智慧交通數(shù)據(jù)挖掘預(yù)測(cè)技術(shù)規(guī)范1范圍本文件確立了深度學(xué)習(xí)驅(qū)動(dòng)下的智慧交通數(shù)據(jù)挖掘預(yù)測(cè)技術(shù)規(guī)范，規(guī)定了數(shù)據(jù)采樣、預(yù)處理、挖掘算法、智慧交通應(yīng)用以及數(shù)據(jù)挖掘預(yù)測(cè)性能評(píng)估指標(biāo)的要求。本文件適用于基于深度學(xué)習(xí)的智慧交通數(shù)據(jù)挖掘預(yù)測(cè)技術(shù)規(guī)范。2規(guī)范性引用文件下列文件中的內(nèi)容通過(guò)文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對(duì)應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本(包括所有的修改單)適用于本文件。GB/T35295-2017信息技術(shù)大數(shù)據(jù)術(shù)語(yǔ)T/ZGCSC004-2022城市時(shí)空預(yù)測(cè)智能模型的數(shù)據(jù)要求3術(shù)語(yǔ)和定義GB/T35295-2017、T/ZGCSC004-2022界定的以及下列術(shù)語(yǔ)和定義適用于本文件。鄰接矩陣adjacentmatrix用以表示交通圖數(shù)據(jù)中不同節(jié)點(diǎn)的空間相關(guān)性權(quán)重的二維正方形矩陣。符合現(xiàn)實(shí)物理世界定義的距離評(píng)判標(biāo)準(zhǔn)。具有存在間隙的內(nèi)核的卷積，為時(shí)間卷積網(wǎng)絡(luò)的重要組成部分。損失函數(shù)lossfunction算法模型輸出和觀測(cè)結(jié)果之間的概率分布差異。道格拉斯-普克算法過(guò)擬合douglas-peuckeralgorithm將曲線近似表示為一系列點(diǎn)，并減少點(diǎn)的數(shù)量的一種算法?？柭鼮V波kalmanfiltering一種利用線性系統(tǒng)狀態(tài)方程，通過(guò)系統(tǒng)輸入輸出觀測(cè)數(shù)據(jù)，對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)的算法。4縮略語(yǔ)下列縮略語(yǔ)適用于本文件。GPS:全球定位系統(tǒng)(GlobalPositioningSystem)APP：應(yīng)用程序(Application)OD:起點(diǎn)-終點(diǎn)(OriginDestination)HMM:隱馬爾可夫模型(HiddenMarkovModel)RNN：循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork)LSTM：長(zhǎng)短期記憶網(wǎng)絡(luò)(LongShort-TermMemory)CNN：卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork)2T/CIXXXX—XXXXAttention：注意力機(jī)制(Attention)GCN：圖卷積網(wǎng)絡(luò)(GraphConvolutionalNetwork)TCN：時(shí)間卷積網(wǎng)絡(luò)(TemporalConvolutionalNetwork)POI：興趣點(diǎn)位置(PointofInterest)5智慧交通數(shù)據(jù)挖掘預(yù)測(cè)技術(shù)深度學(xué)習(xí)驅(qū)動(dòng)的智慧交通挖掘預(yù)測(cè)技術(shù)規(guī)范中包含了數(shù)據(jù)采樣層、數(shù)據(jù)處理層、挖掘算法層、應(yīng)用場(chǎng)景層，具體見(jiàn)圖1，能夠在數(shù)據(jù)、計(jì)算和落地的整個(gè)數(shù)據(jù)流程過(guò)程中實(shí)現(xiàn)交通數(shù)據(jù)采集、預(yù)處理、挖掘算法計(jì)算特征、根據(jù)場(chǎng)景輸出高精度高可靠性的解決方案，給智慧城市各個(gè)層面所面臨的挑戰(zhàn)與困難提供智能化和科學(xué)化的賦能支撐。圖1人工智能驅(qū)動(dòng)的產(chǎn)品生命周期價(jià)值鏈智能化管理系統(tǒng)架構(gòu)6數(shù)據(jù)采樣與預(yù)處理6.1數(shù)據(jù)采樣來(lái)源6.1.1傳統(tǒng)交通數(shù)據(jù)包括控制信號(hào)數(shù)據(jù)和路網(wǎng)數(shù)據(jù)等已結(jié)構(gòu)化的數(shù)據(jù)。6.1.2開(kāi)放數(shù)據(jù)如公交卡數(shù)據(jù)和車(chē)載GPS數(shù)據(jù)，具體為包括OD流和交通時(shí)間公交卡數(shù)據(jù)，其中應(yīng)包括車(chē)輛的位置、密集度和速度的車(chē)載GPS數(shù)據(jù)。6.1.3監(jiān)控設(shè)備數(shù)據(jù)3T/CIXXXX—XXXX數(shù)據(jù)形式為視頻，數(shù)據(jù)內(nèi)容應(yīng)包括車(chē)輛的位置、密集度和速度，還有對(duì)車(chē)輛的識(shí)別。6.1.4傳感器數(shù)據(jù)路邊傳感器數(shù)據(jù)、流動(dòng)車(chē)輛傳感器數(shù)據(jù)和廣域傳感器數(shù)據(jù)。傳感器數(shù)據(jù)內(nèi)容應(yīng)與監(jiān)控設(shè)備的數(shù)據(jù)內(nèi)容相同。6.1.5APP數(shù)據(jù)包括了出行軟件數(shù)據(jù)和社交媒體數(shù)據(jù)，其中社交媒體數(shù)據(jù)即在社交媒體中發(fā)布的地理信息。6.1.6其他數(shù)據(jù)如智能電網(wǎng)，數(shù)據(jù)內(nèi)容應(yīng)包括用電量信息。6.2數(shù)據(jù)預(yù)處理6.2.1軌跡壓縮為減輕通信、計(jì)算和數(shù)據(jù)存儲(chǔ)的成本損耗，對(duì)收集的軌跡進(jìn)行壓縮處理是常見(jiàn)的處理手段。軌跡壓縮任務(wù)可以選擇離線執(zhí)行，也可以在線執(zhí)行。離線時(shí)可采用Douglas-Peucker等算法；在線時(shí)可采用滑動(dòng)窗口等算法。使用軌跡壓縮前需根據(jù)情況規(guī)定誤差范圍，并明確壓縮后的目標(biāo)數(shù)據(jù)量大小。6.2.2數(shù)據(jù)清洗數(shù)據(jù)清洗可分為四個(gè)子問(wèn)題：數(shù)據(jù)缺失，數(shù)據(jù)噪聲，數(shù)據(jù)異常，和數(shù)據(jù)不均衡。a)數(shù)據(jù)缺失：數(shù)據(jù)缺失問(wèn)題廣泛存在，早期的處理方法是用固定值或上下文均值進(jìn)行填充，現(xiàn)在多用RNN、HMM以及矩陣補(bǔ)全等機(jī)器學(xué)習(xí)方法填充。b)數(shù)據(jù)噪聲：指與原數(shù)據(jù)無(wú)關(guān)的額外數(shù)據(jù)，應(yīng)通過(guò)時(shí)域和頻域的濾波方法(如卡爾曼濾波)來(lái)過(guò)濾噪聲。c)數(shù)據(jù)異常：指那些在時(shí)空度量下與空間或時(shí)間鄰域離群的數(shù)據(jù)，通常使用異常檢測(cè)算法來(lái)修復(fù)異常數(shù)據(jù)，并在計(jì)算異常分?jǐn)?shù)時(shí)需要明確異常分?jǐn)?shù)的計(jì)算公式與臨界值。d)數(shù)據(jù)不均衡：包括數(shù)據(jù)在分布和標(biāo)簽中存在的不均衡，如不同路段車(chē)流量在數(shù)據(jù)分布上的不均衡，和人與車(chē)輛標(biāo)簽在數(shù)據(jù)標(biāo)簽上的不均衡。應(yīng)采取過(guò)采樣、欠采樣等采樣技術(shù)解決。6.2.3地圖匹配地圖匹配是將位置數(shù)據(jù)關(guān)聯(lián)到路網(wǎng)上的技術(shù)，是預(yù)處理中不可或缺的一步。地圖匹配目前包含以下兩大類技術(shù)：基于采樣點(diǎn)的技術(shù)和添加額外信息的技術(shù)?；诓蓸狱c(diǎn)的技術(shù)包括點(diǎn)距離方法和路徑距離方法，添加額外信息的技術(shù)包括添加幾何、拓?fù)?、概率、模型等方法。在進(jìn)行地圖匹配步時(shí)，應(yīng)至少選用上述任一方法或類似的方法。6.2.4信息提取軌跡中針對(duì)信息的預(yù)處理包括停駐點(diǎn)識(shí)別和軌跡分割。停駐點(diǎn)識(shí)別通常通過(guò)時(shí)間信息確定，也可使用相應(yīng)的停駐點(diǎn)檢測(cè)算法。軌跡分割包括以時(shí)間信息、空間信息以及停駐點(diǎn)進(jìn)行分割。如果下游任務(wù)有此類需要，則在數(shù)據(jù)預(yù)處理中需要進(jìn)行此步驟。7基于深度學(xué)習(xí)的挖掘算法空間挖掘算法7.1.1卷積神經(jīng)網(wǎng)絡(luò)由于交通網(wǎng)絡(luò)無(wú)法使用二維矩陣表達(dá)，許多研究者將不同時(shí)刻的城市交通網(wǎng)絡(luò)轉(zhuǎn)換成圖像格式，因而使得卷積神經(jīng)網(wǎng)絡(luò)得以被用來(lái)提取每個(gè)時(shí)間片下網(wǎng)格數(shù)據(jù)中不同網(wǎng)格區(qū)域中的空間特征。與現(xiàn)實(shí)世界相同，每個(gè)網(wǎng)格與周邊網(wǎng)格有所相連，周邊網(wǎng)格的位置根據(jù)網(wǎng)格劃分?jǐn)?shù)據(jù)的經(jīng)緯度來(lái)決定。根據(jù)特定的周邊區(qū)域順序與距離，不同位置的訓(xùn)練權(quán)重在卷積神經(jīng)網(wǎng)絡(luò)計(jì)算的過(guò)程中被體現(xiàn)出來(lái)。7.1.2圖卷積網(wǎng)絡(luò)4T/CIXXXX—XXXX傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)只能處理歐式數(shù)據(jù)類型，而交通路網(wǎng)本質(zhì)上也是非歐式的圖關(guān)系，為處理非歐式數(shù)據(jù)計(jì)算設(shè)計(jì)的圖卷積網(wǎng)絡(luò)非常適合各類交通數(shù)據(jù)挖掘問(wèn)題。圖卷積計(jì)算方法主要有譜域圖卷積和空域圖卷積。譜域圖卷積的定義為通過(guò)從圖信號(hào)處理的角度引入濾波器來(lái)定義圖卷積，其中圖卷積運(yùn)算被解釋為從圖信號(hào)中去除噪聲?？沼驁D卷積的定義為通過(guò)圖卷積公式從鄰居節(jié)點(diǎn)聚合節(jié)點(diǎn)特征。交通數(shù)據(jù)的空間關(guān)系復(fù)雜，也使得圖卷積網(wǎng)絡(luò)從普通構(gòu)造逐漸發(fā)展演變出多種變體：a)單圖卷積：最初始發(fā)展出的譜域圖卷積或者空域圖卷積版本；b)多圖卷積：多種鄰接關(guān)系作為圖的空間表示，多個(gè)圖卷積模塊提取特征后聚合特征；c)自適應(yīng)圖卷積：固有的鄰接關(guān)系作為交通數(shù)據(jù)的空間表示并不可靠，因而使用可學(xué)習(xí)的學(xué)習(xí)策略來(lái)重新學(xué)習(xí)鄰接關(guān)系，進(jìn)而輸入到圖卷積網(wǎng)絡(luò)中提取空間特征；d)圖注意力網(wǎng)絡(luò)：為了防止固有鄰接關(guān)系中錯(cuò)誤信息對(duì)特征提取過(guò)程造成負(fù)面干擾，使用注意力機(jī)制去學(xué)習(xí)不受固有鄰接關(guān)系影響的注意力分?jǐn)?shù)，排除固有鄰接關(guān)系的噪聲的同時(shí)，也使得長(zhǎng)遠(yuǎn)距離的圖節(jié)點(diǎn)也有機(jī)會(huì)參與到空間特征提取過(guò)程中；e)動(dòng)態(tài)自適應(yīng)多圖卷積：集成了多圖策略，自適應(yīng)學(xué)習(xí)策略和圖卷積的一種綜合體；f)偏微分圖卷積：上述各類圖卷積僅僅是考慮的空間層面的影響，未考慮到不同時(shí)間片的狀態(tài)影響。引入偏微分使得不同時(shí)間片的圖卷積操作可以上下文呼應(yīng)，使得圖卷積也變得可以持續(xù)學(xué)7.1.3空間注意力注意力一開(kāi)始誕生于自然語(yǔ)言處理領(lǐng)域，而后被廣泛應(yīng)用其他領(lǐng)域。交通路網(wǎng)的相關(guān)性是高度復(fù)雜的，固有的鄰接關(guān)系可能無(wú)法正確的表征路網(wǎng)節(jié)點(diǎn)的空間屬性，因此空間注意力機(jī)制通過(guò)將特征維度和空間維度拉平計(jì)算分?jǐn)?shù)，可以自適應(yīng)地去挖掘節(jié)點(diǎn)之間的相關(guān)性權(quán)重。其核心要點(diǎn)是給不同的節(jié)點(diǎn)之間分配不同的權(quán)重以表征其重要性程度，并采用多頭機(jī)制讓學(xué)習(xí)到的權(quán)重更加多樣，經(jīng)過(guò)求和加權(quán)或者平均化來(lái)得到最終的空間特征。7.1.4多任務(wù)學(xué)習(xí)將空間上不同節(jié)點(diǎn)的時(shí)間序列預(yù)測(cè)任務(wù)視作不同任務(wù)，使用多任務(wù)學(xué)習(xí)從數(shù)據(jù)中挖掘出需要的信息，提取出通用的特征和不同節(jié)點(diǎn)的關(guān)聯(lián)信息，最后對(duì)所有空間節(jié)點(diǎn)進(jìn)行建模、訓(xùn)練和預(yù)測(cè)。7.1.5元學(xué)習(xí)將空間上的不同節(jié)點(diǎn)視作元學(xué)習(xí)中的不同單元，不同節(jié)點(diǎn)之間相互影響相互促進(jìn)特征的學(xué)習(xí)。時(shí)域挖掘算法7.2.1循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN和它的變體LSTM，GRU等神經(jīng)網(wǎng)絡(luò)被設(shè)計(jì)以應(yīng)對(duì)序列數(shù)據(jù)。為了提取交通數(shù)據(jù)中的非線性特征，循環(huán)神經(jīng)網(wǎng)絡(luò)可以從長(zhǎng)時(shí)間序列中提取多時(shí)間步長(zhǎng)周期的特征信號(hào)并且支持針對(duì)其中隱藏特征傳遞單元，遺忘單元等各個(gè)組合構(gòu)件進(jìn)行改造。循環(huán)神經(jīng)網(wǎng)絡(luò)的可塑性極高，支持跟各種其他方法論組合出新的模塊，因而至今都在繼續(xù)迭代。7.2.2時(shí)間卷積網(wǎng)絡(luò)時(shí)間卷積網(wǎng)絡(luò)TCN本質(zhì)上是堆疊的多層CNN層，不同于RNN等循環(huán)神經(jīng)網(wǎng)絡(luò)需要等待時(shí)間片一個(gè)個(gè)計(jì)算特征，TCN可以并行計(jì)算所有時(shí)間步的數(shù)據(jù)特征，而后通過(guò)膨脹卷積堆疊連接，加速計(jì)算速度的同時(shí)也保持有較長(zhǎng)的感受野，可以輸入任意步長(zhǎng)的時(shí)間序列。7.2.3時(shí)間注意力類似于空間注意力機(jī)制，但將空間注意力機(jī)制中的特征緯度與空間維度拉平替換為特征緯度與時(shí)間緯度拉平計(jì)算分?jǐn)?shù)，獲得不同時(shí)間片的時(shí)間特征，聚合后由多頭機(jī)制求和加權(quán)或者平均化來(lái)得到最終的時(shí)間特征。基于架構(gòu)的挖掘算法7.3.1基于循環(huán)網(wǎng)絡(luò)類的架構(gòu)5T/CIXXXX—XXXX很多算法在RNN的基礎(chǔ)上，加入各種變體單元如GCN，GatedCNN，Attention等，盡管依賴于不同的模塊，但是都具備遞歸循環(huán)的隱藏單元和傳遞單元。7.3.2基于時(shí)間卷積網(wǎng)絡(luò)類的架構(gòu)由于該類網(wǎng)絡(luò)是堆疊的門(mén)控卷積，在因果卷積連接上下層時(shí)可以加入各種變體單元如GCN，GatedCNN，Attention等，因此可以作為框架來(lái)包含其他時(shí)空模塊和方法策略。7.3.3基于編碼器解碼器的架構(gòu)適用于序列數(shù)據(jù)的編碼器解碼器架構(gòu)，在同樣為序列數(shù)據(jù)的交通時(shí)序數(shù)據(jù)上被廣泛使用。使用編碼器提取序列特征，使用解碼器做預(yù)測(cè)，在編碼器和解碼器中設(shè)計(jì)組合各種時(shí)空特征提取模塊。7.3.4基于Transformer的架構(gòu)Transformer類模型不僅在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理中火熱發(fā)展，交通數(shù)據(jù)挖掘預(yù)測(cè)領(lǐng)域中同樣衍生出許多變體模型。集成了多頭注意力機(jī)制，注意力計(jì)算，編碼器解碼器和反向回饋層的Transformer架構(gòu)，可以在其中各個(gè)組件中改造或者加入串并聯(lián)方式的其他特征提取單元。7.3.5基于生成對(duì)抗網(wǎng)絡(luò)的架構(gòu)生成對(duì)抗網(wǎng)絡(luò)同樣適用于交通預(yù)測(cè)問(wèn)題，由于交通路網(wǎng)復(fù)雜，通過(guò)生成出不確定的復(fù)雜狀態(tài)，在判別模型中優(yōu)化。將各類時(shí)空挖掘單元嵌入至生成對(duì)抗網(wǎng)絡(luò)中，為之設(shè)計(jì)任務(wù)驅(qū)動(dòng)的預(yù)測(cè)器，進(jìn)行交通預(yù)測(cè)。7.3.6基于遷移學(xué)習(xí)的架構(gòu)有部分交通預(yù)測(cè)場(chǎng)景會(huì)存在地區(qū)A數(shù)據(jù)充足，地區(qū)B不充足的情況，使用遷移學(xué)習(xí)架構(gòu)在城市A中預(yù)訓(xùn)練得到模型，然后切換到地區(qū)B使用地區(qū)B的數(shù)據(jù)繼承訓(xùn)練或微調(diào)。7.3.7基于聯(lián)邦學(xué)習(xí)的架構(gòu)考慮到隱私保護(hù)的需求存在，使用聯(lián)邦學(xué)習(xí)架構(gòu)，利用眾包節(jié)點(diǎn)獨(dú)立訓(xùn)練模型，最終預(yù)測(cè)全域的未來(lái)交通狀態(tài)。再可以合理高效地在保護(hù)隱私安全的同時(shí)，維持模型的預(yù)測(cè)性能?；谔卣鞯耐诰蛩惴?.4.1特征分解與組合等同于自回歸移動(dòng)平均方法，許多深度學(xué)習(xí)方法將序列特征分解為周期，趨勢(shì)等統(tǒng)計(jì)特征，進(jìn)行學(xué)習(xí)、組合與預(yù)測(cè)。這類方法結(jié)合了深度學(xué)習(xí)和統(tǒng)計(jì)學(xué)的優(yōu)點(diǎn)，使得深度學(xué)習(xí)方法能從復(fù)雜的交通場(chǎng)景中挖掘到多種特征模式。7.4.2時(shí)間特征組合為了充分利用歷史數(shù)據(jù)中的有用信息，將年、月、星期、日、小時(shí)、分鐘、秒、節(jié)假日/工作日等時(shí)間日期特征進(jìn)行編碼組合，聯(lián)合交通特征輸入到模型中，幫助模型挖掘出更準(zhǔn)確有用的時(shí)間特征。7.4.3額外特征嵌入現(xiàn)實(shí)世界中，還有各種其他信息可以作為額外特征嵌入到特征緯度，如興趣點(diǎn)位置(POI)、天氣、經(jīng)緯度、區(qū)域類型等。7.4.4記憶模塊存儲(chǔ)受LSTM的啟發(fā)，在訓(xùn)練過(guò)程中從訓(xùn)練數(shù)據(jù)中提取出一些特征存儲(chǔ)到記憶模塊中，協(xié)助模型訓(xùn)練迭代和預(yù)測(cè)。8智慧交通應(yīng)用場(chǎng)景交通管控場(chǎng)景6T/CIXXXX—XXXX8.1.1交通狀態(tài)預(yù)測(cè)一般來(lái)說(shuō)，交通狀態(tài)是指交通流量、交通速度、行駛時(shí)間、交通密度等。交通流量預(yù)測(cè)、行程時(shí)間預(yù)測(cè)是交通狀態(tài)預(yù)測(cè)的熱門(mén)分支。8.1.2出行需求預(yù)測(cè)出行需求預(yù)測(cè)是指從用戶角度對(duì)出租車(chē)、自行車(chē)、地鐵、公交等交通服務(wù)的需求，估計(jì)未來(lái)需要交通服務(wù)的用戶數(shù)量。對(duì)于企業(yè)而言，出行需求預(yù)測(cè)有利于合理高效分配資源，例如在高峰時(shí)段增加地鐵班次，增加更多公交車(chē)指向服務(wù)熱點(diǎn)，更好地管理出租車(chē)出租、拼車(chē)、自行車(chē)共享服務(wù)，并最大化他們的收入。對(duì)于個(gè)人而言，鼓勵(lì)用戶考慮多種交通方式，減少通勤時(shí)間，提升出行體驗(yàn)。出行需求預(yù)測(cè)可以分為兩類，即區(qū)域?qū)用娴男枨箢A(yù)測(cè)和出發(fā)地-目的地的出行需求預(yù)測(cè)。前者旨在預(yù)測(cè)城市各區(qū)域未來(lái)的出行需求，例如，預(yù)測(cè)城市各區(qū)域未來(lái)的出租車(chē)需求，或預(yù)測(cè)地鐵系統(tǒng)的站級(jí)乘客需求，或預(yù)測(cè)城市各區(qū)域的自行車(chē)租賃需求。后者旨在預(yù)測(cè)從一個(gè)區(qū)域到另一個(gè)區(qū)域的出行需求數(shù)量。8.1.3交通信號(hào)控制交通信號(hào)控制是指隨交通變化特性來(lái)指揮車(chē)輛和行人的通行，旨在正確控制交通信號(hào)燈，以減少車(chē)輛在道路交叉口的長(zhǎng)期停留時(shí)間。交通信號(hào)控制可以優(yōu)化交通流量，減少交通擁堵和車(chē)輛排放。交通信號(hào)最常通過(guò)固定時(shí)間、驅(qū)動(dòng)或自適應(yīng)控制方法進(jìn)行規(guī)范化。固定時(shí)間的信號(hào)控制涉及一種重復(fù)模式，該模式不會(huì)隨實(shí)時(shí)交通情況而改變，并且無(wú)論該區(qū)域的動(dòng)態(tài)交通變化如何都會(huì)繼續(xù)其周期。主動(dòng)控制方法根據(jù)環(huán)路檢測(cè)器的實(shí)時(shí)數(shù)據(jù)操作交通信號(hào)。8.1.4車(chē)輛訂單分配車(chē)輛預(yù)約應(yīng)用程序的關(guān)鍵組件是調(diào)度系統(tǒng)，旨在為司機(jī)和乘客提供最佳匹配。車(chē)輛訂單分配的質(zhì)量直接影響用戶的體驗(yàn)以及車(chē)輛的運(yùn)營(yíng)效率，傳統(tǒng)的調(diào)度系統(tǒng)按順序向乘客派遣出租車(chē)，運(yùn)用深度學(xué)習(xí)技術(shù)后的算法能最大限度地提高司機(jī)對(duì)每個(gè)訂單的接受率。交通安全場(chǎng)景重大事故可能對(duì)乘客造成致命傷害，并在道路網(wǎng)絡(luò)上造成長(zhǎng)時(shí)間延誤。因此，了解事故的主要原因以及事故對(duì)交通網(wǎng)絡(luò)的影響對(duì)于現(xiàn)代交通管理系統(tǒng)至關(guān)重要。交通安全是公共安全不可或缺的一部分。交通事故不僅會(huì)導(dǎo)致交通擁堵，還會(huì)對(duì)車(chē)輛和道路基礎(chǔ)設(shè)施造成損害，并可能造成人員傷亡，降低道路網(wǎng)絡(luò)的效率。因此，監(jiān)控交通事故對(duì)于避免財(cái)產(chǎn)損失和挽救生命至關(guān)重要。運(yùn)用深度學(xué)習(xí)驅(qū)動(dòng)的挖掘預(yù)測(cè)技術(shù)的場(chǎng)景主要包括檢測(cè)交通事故、根據(jù)社交媒體數(shù)據(jù)預(yù)測(cè)交通事故、預(yù)測(cè)交通事故的傷害嚴(yán)重程度、預(yù)測(cè)事故預(yù)防等等。交通監(jiān)控場(chǎng)景監(jiān)控?cái)z像頭已廣泛部署在城市道路上，產(chǎn)生大量圖像和視頻。大量數(shù)據(jù)造就了更加安全精準(zhǔn)的交通監(jiān)控系統(tǒng)，其中包括交通執(zhí)法、自動(dòng)收費(fèi)和交通監(jiān)控系統(tǒng)。運(yùn)用深度學(xué)習(xí)驅(qū)動(dòng)的挖掘預(yù)測(cè)技術(shù)的主要場(chǎng)景包括車(chē)牌檢測(cè)、自動(dòng)車(chē)輛檢測(cè)、車(chē)輛減超速檢測(cè)以及行人檢測(cè)等等。路徑規(guī)劃場(chǎng)景8.4.1旅游路線規(guī)劃旅游路線規(guī)劃是旅游者準(zhǔn)備行程的重要步驟。雖然用戶可以搜索相關(guān)的旅游指南和游記，但它們提供的信息通常是非結(jié)構(gòu)化的，并且因人而異。在這種情況下，非常需要一種自動(dòng)的、交互式的旅游路線規(guī)劃服務(wù)，以根據(jù)用戶的喜好來(lái)規(guī)劃定制的旅行。推薦旅游路線的流行方法是找到與給定背景相似的現(xiàn)有旅行，如空間鄰近性、文本相關(guān)性和照片。例如，可以利用現(xiàn)有的出行，通過(guò)將熱點(diǎn)區(qū)域與路線聯(lián)系起來(lái)構(gòu)建一個(gè)旅游網(wǎng)絡(luò)，然后通過(guò)交通流量檢測(cè)算法從網(wǎng)絡(luò)中發(fā)現(xiàn)熱門(mén)路線。8.4.2交通基礎(chǔ)設(shè)施規(guī)劃交通基礎(chǔ)設(shè)施規(guī)劃是獲得良好交通運(yùn)輸效益的有效途徑。道路網(wǎng)建設(shè)效益的好壞，不僅僅與建設(shè)的直接投資有關(guān)，而且與建設(shè)后發(fā)揮投資效益的程度有關(guān)。道路只有經(jīng)過(guò)合理的規(guī)劃，才能充分發(fā)揮投資7T/CIXXXX—XXXX效益，否則有的道路交通擁擠，交通量過(guò)于飽和，而有的道路交通較少，這樣道路網(wǎng)的效益無(wú)法最大程度的發(fā)揮，造成經(jīng)濟(jì)效益和社會(huì)效益的損失。通過(guò)利用交通軌跡、交通流量以及交通狀態(tài)等數(shù)據(jù)，我們可以檢測(cè)“熱點(diǎn)道路”作為推薦的公交車(chē)站。因此，政府可以根據(jù)推薦的網(wǎng)絡(luò)建設(shè)城市道路，以減少道路連通分量的數(shù)量，完善交通運(yùn)輸基礎(chǔ)設(shè)施的建設(shè)。商業(yè)定位場(chǎng)景8.5.1公共充電站選址隨著國(guó)內(nèi)電動(dòng)車(chē)載具的發(fā)展，公共充電站需求日益增大，戰(zhàn)略性地部署充電站和充電點(diǎn)成為城市規(guī)劃者和電力公司面臨的一個(gè)新興且具有挑戰(zhàn)性的問(wèn)題。自然地，交通流量和車(chē)輛軌跡旅等交通數(shù)據(jù)在解決這個(gè)問(wèn)題中起著重要作用。結(jié)合周邊公共設(shè)施用途類別及位置信息、周邊社區(qū)用能情況等數(shù)據(jù)，建立充電樁建設(shè)合理性評(píng)價(jià)分析模型，自動(dòng)判斷擬建設(shè)充電樁選址可行性，進(jìn)一步優(yōu)化充電樁位置布局，合理配置空間資源，提升充電樁利用率。8.5.2室外廣告牌選址室外廣告牌是否有效取決于他的內(nèi)容設(shè)計(jì)，可見(jiàn)性以及放置的地理位置。其中地理位置被認(rèn)為是最重要的因素。合理利用城市中的車(chē)輛軌跡數(shù)據(jù)、交通狀態(tài)數(shù)據(jù)和流量數(shù)據(jù)，可以選擇出室外廣告牌最佳的放置位置，以最大化商業(yè)利潤(rùn)。9數(shù)據(jù)挖掘預(yù)測(cè)性能評(píng)估指標(biāo)平均絕對(duì)誤差該指標(biāo)為對(duì)絕對(duì)誤差損失的預(yù)期值，公式見(jiàn)(1)。i該指標(biāo)為對(duì)絕對(duì)誤差損失的預(yù)期值，公式見(jiàn)(1)。式中：yi——預(yù)測(cè)值；yi——預(yù)測(cè)值；N——預(yù)測(cè)節(jié)點(diǎn)個(gè)數(shù)。均方誤差2式中：yi——