5月13日~17日，计算机领域一大国际顶级学术会议——国际万维网大会（The International Conference of World Wide Web，简称WWW会议）将在美国旧金山举行。近日，大会论文收录结果揭晓，云天励飞AI技术部汤先锋所著论文《Joint Modeling of Dense and Incomplete Trajectories for Citywide Traffic Volume Inference》入选。该文提出了基于少量GPS轨迹和不完整监控轨迹来推断城市道路交通流量的方法，助力智慧城市建设。
掌握城市道路的实时交通流量，有利于拥堵预测、车辆调度和道路规划，因此对于智慧城市建设也具有重要意义。但是，交通流量的信息，往往只能通过传感器和道路摄像头来获得，这就导致了数据的采集受到了监控系统覆盖度的制约，即只有部分路段的交通流量信息是已知的。为此，上述论文提出，希望能基于已有的交通流量信息，通过对道路间车流量相似性进行建模，以此来推断整个城市所有道路的流量情况。
不过，传统的基于车辆轨迹构建道路流量的相似性的方法，往往会受到轨迹本身的制约。例如，出于隐私保护的考虑，只有一部分公共交通的车辆会被允许收集GPS轨迹，这就导致了采集的轨迹本身存在偏差。此外，虽然可从城市监控系统采集的图像中通过识别车牌来恢复车辆轨迹，但这一方法也会受到监控系统密度的制约。换言之，对于没有监控的路段，车辆的行驶过程也就不能被完整记录和准确掌握。为了能充分利用上述两种轨迹来进行城市道路交通流量推断，论文提出基于密集和不完整轨迹来推断城市道路交通流量的方法。
首先，作者对来自监控系统的不完整轨迹进行概率分布的建模，创新地选择使用高保真的交通模拟器（SUMO）来对未监控路段的轨迹进行推断。据介绍，相比传统方法，使用模拟器可以更好地考虑多种因素，包括城市道路的行驶规则，以及车辆之间交互带来的影响。但是，单纯使用模拟器默认参数往往会有较大的模拟误差。为此，作者设计了基于深度强化学习的调参算法，通过将参数调整看成Action，模拟器的状态作为State，训练强化学习Agent来自动选择模拟器的最优参数。
在得到轨迹分布之后，就可以此来构造道路之间的相似性。根据研究，用不同类型的轨迹（完整的GPS轨迹和通过模拟得到的轨迹）来定义多视点图像，可以更好地表达道路之间流量的相似性。为此，作者首先通过多视点图像嵌入来学习每个路段在每个时间的表征向量，再使用向量内积计算道路之间流量的相似性。通过这些相似性，用半监督的传播算法来推断未知的道路流量情况。
提交成功！
请您耐心等待！