基于多层复杂网络时空关联跟踪的不完备交通大数据抗差处理研究

Data-driven intelligent transportation systems (ITS) blazes a trend in current research of ITS. Data quality is one of the key issues which affect the research of data-driven ITS. Under the current condition of urban intelligent transportation infrastructures, the imperfection problem of traffic data becomes common, and more and more significant as the popularization of big traffic data and relevant applications. For the imperfection of big traffic data, this project presents a method of (1) utilizing multi-layer complex networks to build a data model to adequately show the multi-dimensional traffic information and spatio-temporal correlations; (2) designing an algorithm model and performance evaluation method to track the spatio-temporal correlations of traffic information in the multi-layer complex networks; (3) determining the spatio-temporal correlation scale of data which is used for object tracking; and using parallel computing to efficiently robust processing big traffic data which are collected in the whole road network at all times. The key techniques that this project aims to solve include the modeling of big traffic data, the designing of imperfect data inference algorithm and the optimization of computational efficiency. These techniques support to robustly process imperfect big traffic data from different aspects, such as model, algorithm, and theory. Meanwhile, they can also provide effective decision-making support for traffic sensor deployment in the urban road network. Therefore, this project has strong theoretical significance and application worthiness.

数据驱动型智能交通系统是当今智能交通系统（ITS）领域的研究热点。其中，数据质量是影响数据驱动型ITS研究的关键问题之一。在当前城市智能交通基础设施条件下，交通数据不完备性问题普遍存在，并随着交通大数据及其相关应用的普及而愈加显著。本项目针对交通大数据不完备性问题，提出利用多层复杂网络建模交通大数据，充分表达多维度交通数据及其时空关联性；设计对多层复杂网络中交通数据时空关联跟踪的算法及性能评估方法，实现利用完备数据推断不完备数据的状态概率分布；确定用于目标跟踪的完备数据时空关联尺度，结合交通大数据并行计算方法，最终实现面向全时段全路网采集的交通大数据的高效抗差处理。本项目拟解决的关键技术包括交通大数据建模、不完备数据推断算法设计和计算效率优化，它们从模型、算法、理论等不同层面支撑不完备交通数据抗差处理研究，并可为城市道路交通传感器部署提供有效的决策支持，因此具有重要的理论意义和应用价值。

数据驱动型智能交通系统是当今智能交通系统（ITS）领域的研究热点。其中，数据质量是影响数据驱动型ITS研究的关键问题之一。在当前城市智能交通基础设施条件下，交通数据不完备性问题普遍存在，并随着交通大数据及其相关应用的普及而愈加显著。本项目针对交通大数据不完备性问题，利用多层复杂网络建模交通大数据，充分表达多维度交通数据及其时空关联性；设计交通数据时空关联跟踪的算法及性能评估方法，实现利用完备数据推断不完备数据的状态概率分布；确定用于目标跟踪的完备数据时空关联尺度，结合交通大数据并行计算方法，最终实现面向全时段全路网采集的交通大数据的高效抗差处理。.基于上述主要研究内容，本项目的工作结果包括：（1）融合视频数据和带深度信息的视频数据（RGB-D）和交通流模型，面向交通对象检测、交通流预测、交通事件检测等场景进行分析，并对数据质量异常分析和遮挡识别进行研究；（2）融合浮动车GPS数据和交通流模型，分析交通流空间和时间分布规律，对交通状态评估和预测进行研究，并对数据缺失和数据异常进行补全和预测分析（3）对多源异类交通大数据的时空属性基于GIS特征进行离散化，然后结合传感器类型、速度、流量等构建高维计算域，结合数据划分、子域分配、模型效率优化等实现交通模型和交通大数据融合框架Cyber-ITS；（4）研究成果转化为交通大数据分析产品，应用于实际项目中。.本项目取得了丰富的理论研究成果。项目组发表SCI论文15篇（项目负责人第一作者或通讯作者14篇），EI论文1篇，授权发明专利3项。其中，在JCR一区或CCF-A或ZJU TOP期刊IEEE T-Cyb、IEEE T-IP、IEEE T-ITS、IEEE T-MM、Information Sciences等发表论文8篇。项目负责人作为客座主编，2016年在CCF-C期刊Neurocomputing上主持“大数据驱动的智慧交通”专刊，也是国际上首个相关主题的专刊。项目研究成果“移动互联交通大数据融合理论与交通态势仿真评估”获得中国智能交通协会科学技术二等奖。项目研究成果实现在产业界的转化，公司完成两轮融资，创造产值近5000万元。