周学松：如何利用深度学习进行多层次交通行为与交通需求估计

2018年4月12日，由北京千方科技股份有限公司承办的“中国人工智能+交通发展论坛”在北京隆重召开。北京市交通委、北京交通发展研究院政府特聘首席科学家周学松带来《如何利用深度学习进行多层次交通行为与交通需求估计：一个基于计算图的方法框架》的主题演讲。

以下内容节选自现场实录。

谢谢，今天非常有幸能有机会跟大家交流。

作为在美国研究交通多年的学者，目前我是北京市交通委政府特聘的首席科学家，也是北京交通发展研究院特聘的首席科学家。我们北京交通发展研究院在郭继孚院长带领下有一个专门的科研团队在做人工智能方面的研究。

我会从三个视角来审视交通问题。第一个视角是从北京交通发展研究院的角度来审视，积极利用现有的研究成果给市政府做交通规划和管理提供决策支持。第二个视角是从国际化学者从理论角度对交通问题来审视，这方面我们可能会更重视基础理论。第三个视角是从交通系统和大数据研究的角度，我们发现了很多复杂的层次性管理的问题，以及对大数据资源应用的急迫需求。

通过大概一年的学习，今天我还是以学者的身份给大家分享一下我们团队近期做的一些工作: 北京交通计算图或者叫BTCG 的初步研究。 这个名字可以作为Beijing transportation computational graph；也可以叫做Big data driven Transportation Computational graph, 也就是大数据驱动的交通计算图。

我们希望通过这个名字打出有北京交通、北京交研院自己特色的技术品牌。

北京市的轨道网、公交网、城市道路网如何在多网合并的情况下，利用各种各样的数据进行综合的、统一的应用，是目前急需解决的问题。目前，数据种类一般包括居民出行调查数据，手机信令数据、浮动车GPS数据，还有IC卡数据，检测器数据等。

各类交通数据的处理与融合有两个科学难题，第一个难题叫多源难题，各种单一数据源只能反映交通出行的一个方面。第二个难题是异构难题，各类交通数据既有来自固定检测器，也有来自浮动的检测器，不同检测器采集的数据格式差别很大。

我们将交通大数据应用分为四个阶段。第一个阶段是多源数据可视化；第二个阶段，是采用人工智能学习方法，对交通系统深度感知；第三个阶段是理解交通状态到底是什么样的；第四阶段是为政府研判与决策提供支持。在决策支持阶段，各种各样的出行政策必须要依据基于交通大数据的决策支持平台。我们团队不仅从事理论化工作，最近也发表了和积极应用这些方面经过思考的学术成果。

我们正在做的北京交通计算图，有很多想法是超越了传统交通规划问题。在北京交通计算图里，我们没有把神经网络当成一个“隐藏黑箱”，我们把第一层叫做交通生成层，第二层叫做交通链路层，每一层都有实际的交通意义，每层都对应不同的交通数据。

例如，居民出行调查数据，手机信令数据等，这个层数能一点一点往前回溯，每层和每层之间都有互相连接，我们可以用计算图将它们之间的相互关系计算出来。如果从大数据融合的角度上说，就能用反向传播技术将不同数据的一致性描述出来。我们采用了2017年4个月的个体出行数据构建了一个三层交通计算图，其中3个月数据用作模型训练，1个月数据用作模型性能测试，最后获得了不错的效果。

北京交通计算图可以系统地应用到交通需求估计，交通状态估计上面。它的好处是，可以掌握交通需求的复杂结构性与层次性。由此，基于大数据，对交通现象的产生可从本质上进行解释、估计与预测结果，进一步辅助科学决策。

基于上述研究成果，我们也正在发表相关的学术论文，供大家参考，谢谢。