面向智能出行的多模态时空数据有效融合与预测

随着基于位置的服务的快速发展，正在收集包括轨迹、交通方式、交通流量和社交签到等在内的多模态时空 (ST) 数据，以供深度学习方法使用。这些深度学习方法学习 ST 相关性，以支持智能出行、智能城市等智能交通系统中的下游任务。尽管其有效性，ST 数据融合和预测方法在实际场景中仍面临实际挑战。首先，ST 数据不足地区的预测性能较差，这使得将元知识从异构区域转移以增强稀疏表示变得必要。其次，由于类似交通方式的细粒度 ST 特征，准确预测多交通方式场景中的预测仍不具备挑战性，这使得区分和衡量 ST 相关性以缓解由交织 ST 特征引起的影响变得必要。最后，由于隐私或技术问题，在某些场景中会丢失部分数据模态 (例如交通方式)，这使得有效融合多模态稀疏 ST 特征并丰富 ST 表示变得必要。为了应对这些挑战，我们的研究工作旨在 develop effective fusion and forecasting methods for multimodal ST data in smart mobility scenario. 本文将介绍我们最近的工作，这些工作探讨了各种实际应用中的挑战，并为该领域的未来工作建立了开放挑战。