面向偶发事件的异常交通状态合成与预测方法研究

Non-recurring incidents may abruptly disrupt the normal flow of traffic and cause heavy traffic congestion, and taking proactive strategies can help reduce its negative impacts based on accurate, timely traffic prediction. This project will study theories and methods on mining, analyzing and predicting unusual traffic patterns based on the techniques of big data and deep learning. The big unusual traffic data are generated by generative adversarial network with real traffic data. This project firstly combines traffic incidents, weather and special local events, and develops new methods to identify unusual traffic patterns with cross-media information fusion. Then, this project will study traffic data series generation methods based on generative adversarial network, which can generate big traffic data with linear operation on latent codes. This project will also investigate the traffic prediction method with real data and synthesized data, and the prediction process is closed-loop by utilizing reinforcement learning to control the data generation. This project will extend current theories and methods on traffic sensing from traffic data analysis to synthesizing and prediction, which can help improve operation efficiency of urban transportation systems.

偶发性交通事件可能导致路网通行能力急剧下降，利用准确的、前瞻性的交通预测信息，采取主动引导措施有助于降低其不利影响。本项目拟利用大数据和深度学习技术，充分挖掘并理解小规模异常交通状态样本所蕴含的复杂特征，并基于历史数据和时空关联关系对可能发生的异常交通状态进行合理估计，在此基础上对交通发展态势进行更为准确的预测。主要研究内容包括：基于多维交通流参数及交通事件、天气、大型活动等信息，构建跨媒体交通信息融合的异常交通序列识别方法；研究基于生成对抗网络的异常交通序列生成方法，利用隐变量语义特征通过线性运算扩充包含特定语义的编码隐变量，进一步生成大规模异常交通序列；利用强化学习方法控制生成器根据预测误差自适应地合成大规模交通数据，并结合小规模真实数据，构建闭环交通预测机制。本项目将拓展从交通数据分析、生成到预测的交通感知体系，为提高城市交通系统运行效率提供基础理论和关键技术。

针对偶发性交通事件发生的时间和地点存在较大的随机性，且由此产生的异常交通态样本在整体样本中占比较小的问题，本项目重点研究利用生成对抗网络合成大规模异常交通状流样本，并进一步结合真实交通数据构建闭环交通预测的方法。主要研究内容包括三个方面：(1)在异常交通流序列的识别方面，我们研究了基于交通流时空特征分析及其偏离其历史趋势的异常交通流识别和提取方法；(2)在异常交通序列生成方法方面，我们研究了基于生成对抗网络和输入隐变量语义编辑的交通流合成方法；(3)在交通预测方面，我们通过构造大规模输入隐变量和反馈机制提出了基于真实数据和合成数据的交通预测方法。相关研究成果已发表国内外重要期刊和会议10余篇，项目负责人在项目执行期间担任IEEE智能车辆汇刊编委、入选中国科学院青年促进会，获得中国自动化学会自然科学奖一等奖、中国智能交通协会技术发明二等奖等奖项。研究成果可进一步提高交通预测效果，尤其是对异常交通流的预测，也可为出行路径诱导、交通事件管理等提供决策支持。