面向智能交通物联网应用的深度学习与优化算法专题

如今，物联网（IoT）已成为最重要的技术之一，赋能智能城市中多种连接与智能应用。IoT设备的智能决策过程不仅依赖其传感器收集的大量数据，还取决于能够在特定网络结构中处理分析所收集数据的高级优化理论与新颖机器学习技术。因此，研究如何利用不同优化算法与机器学习技术提升系统性能具有实际重要性。作为IoT应用最重要的垂直领域之一，智能交通系统通过让市民更易获取交通设施，为其提供现实信息与服务，发挥了关键作用，因而是本论文探索的关键应用之一。简而言之，本论文涵盖将数学优化与深度学习方法应用于IoT网络的三个关键专题。第一个专题中，我们提出一种基于去中心化ADMM的IoT网络最优传输频率管理方案，并引入基于LSTM架构的传输频率异常识别机制。第二个专题中，我们利用图神经网络（GNN）进行共享自行车需求预测。特别地，我们引入一种新架构，即基于注意力的时空图卷积网络（AST-GCN），以提升真实世界数据集中的预测精度。最后一个专题中，我们考虑高速公路交通网络场景，其中频繁变道行为可能以一定概率发生。设计了一种特定的基于GNN的异常检测器，以揭示由专用移动模拟器收集数据所驱动的这种概率。