JDDTechTalk的博客

城市流量预测作为智能交通中的一个重要问题，致力于精确预测城市中不同区域的流量信息，从而更好地实现区域间的流量管控、拥塞控制以及保障城市公共安全。本文将介绍一种基于时空图扩散网络的城市交通流量预测模型。由京东数科硅谷研发实验室，京东城市和华南理工大学合作的一篇论文《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》，目前该论文已经被人工智能领域的顶级会议AAAI 2021（CCF A类）接收。一、研究背景对城市中

随着定位技术的不断普及，嵌入在手机和PDA设备内的GPS、北斗等位置传感器周期性地记录移动对象的位置，从而产生了海量的轨迹数据。用户为分享行程可能主动记录自己的轨迹，物流派送车、出租车、共享私家车等由于运营监管的需要可能被动地记录轨迹位置信息。这些轨迹数据背后的想象空间极大。利用轨迹数据，我们可以用来估计全城的车流量、通行时间、补全现有地图等等。而为实现这些应用，我们通常会对轨迹数据进行预处理，剔除掉一些时间连续且空间上非常临近的点（下文简称驻留点），因为驻留点会影响上述应用的精确度。然而，这些被丢掉的

随着互联网经济的普及定位技术的快速发展，人们在日常生活中产生了大量的轨迹数据，例如出租车的GPS数据、快递配送员PDA产生的轨迹数据等。轨迹数据是一种典型的时空数据（Spatial-Temporal Data），是按照时间顺序索引且空间变化的一系列数据点。在时空数据的数据挖掘中，我们也会大量借鉴在自然语言处理等时序数据中发展很成熟的技术。本篇文章为您带来的是Seq2Seq（Sequence to Sequence）模型的技术总结。将着重介绍三个里程碑式的方法，Sequence to SequenceLea

一、问题背景城市中超过80%的数据都与时空有关，如加油站点、出租车轨迹、交通路况等。这些数据多为半结构化和非结构化数据，并且需要管理的数据量巨大。传统的时空数据库管理海量数据时会出现性能严重下降的情况，如带有PostGIS插件的PostgresSQL。HBase等具有高可扩展性的分布式数据库又不能直接管理时空数据。为此，GeoMesa提供了大量的时空索引工具管理时空数据。但是，它支持的时空类型不够全面，并且在有些场景下它提供的索引效率很低。因此, 我们在GeoMesa的基础上研发了JUST引擎。我们提

2019年12月，我国出现了新型冠状病毒引发的多起病例，全国逐渐开启疫情防疫监控，严重地区甚至实施封闭管理。而此次疫情正好恰逢春运期间，大规模的跨地区人口流动会助长病毒传播，甚至传染到全球范围。因此，科学管理人口流动成为疫情防控关键。基于疫情防控下的人口流动问题，京东城市给出了一套完整的利用轨迹数据对人口流向进行精确分析与追踪的技术方案。即通过大数据技术进行GPS轨迹数据挖掘，分析在病毒传播源地区有过到访记录的人群在当前城市的分布情况。一、问题背景随着社会的发展、交通方式的高度便利，人口流动的规模越来

COVID-19席卷全球，对全球生命卫生安全构成了极大挑战。截至2020年11月3日，COVID-19 全球累计确诊4718万人，累计死亡120万人。在没有疫苗情况下，早发现、早报告、早隔离、早治疗是控制疫情的最有效方案。在疫情防控最关键的前几个月，京东数科智能城市部门帮北京市找到 500 余名高危的密切接触者，为宿迁市找到全市范围四分之一比例的新冠肺炎确诊人员；在全国范围内，帮广州、南京、成都等 18 个省市做了高危人群态势分析。其中，JUST团队做出了重要贡献。我们提出了一种新颖的轨迹感染风险度量和高

轨迹识别问题旨在验证传入的轨迹是否是由所要求的人员产生， 即给定一组单独的人员历史轨迹（例如行人，出租车司机）以及由特定人员生成的一组新轨迹，判定两组轨迹是否由同一个人员生成。这个问题在许多实际应用中都很重要，例如出租车驾驶人员身份认证、汽车保险公司风险分析以及危险驾驶识别等。轨迹识别的现有工作除了需要轨迹数据之外，还需要其他来源的数据，如传感器、摄像头等，但这些数据无法普遍获得且成本较高。此外，目前的工作只能局限于已有的人员身份识别，无法扩展至未经训练的人员。为了应对这些挑战，在这项工作中，我们首次尝

ClickHouse是一个高效的开源联机分析列式数据库管理系统，由俄罗斯IT公司Yandex开发的，并于2016年6月宣布开源。本篇文章将详细解读JUST（https://just.urban-computing.cn/）是如何使用ClickHouse实现时序数据管理和挖掘的。一、时序数据简介时序数据全称是时间序列（TimeSeries）数据，是按照时间顺序索引的一系列数据点。最常见的是在连续的等时间间隔时间点上获取的序列，因此，它是一系列离散数据[1]。时序数据几乎无处不在，在目前单向的时间流中.

市民的出行轨迹数据无论是对于城市管理、规划，还是商业活动，都是重要的参考信息。然而，获取一个城市的人群轨迹数据却非常困难。在今年4月份召开的国际顶级互联网会议WWW 2020（CCF-A类）上，京东城市报告了被会议收录的论文《What is the Human Mobility in a New City: Transfer Mobility Knowledge Across Cities》，研究了如何通过迁移学习，根据一个城市的POI、路网、交通信息来推测它的人群轨迹分布。一、背景城市人群出行所产

如何快速得知从你的位置开始出发，在当前的交通状况下，5分钟之内能够抵达的空间区域范围？当你掏出手机打车时，出租车调度平台应该通知哪些范围的车主进行接单？前言本篇介绍的是被国际著名数据库和数据挖掘会议DASFAA 2020 （CCF B类）成功接收的、JUST团队与武汉大学、西安电子科技大学、西南交通大学合作的论文：《Discovering Real-Time Reachable Area using Trajectory Connections》[2]，作者为：Ruiyuan Li，Jie Bao，.

园区内资源的智能化部署有助于降低部署成本，提高资源使用率。如何部署有限的资源更好地服务人群，是普适计算领域研究的问题之一。上月，普适计算领域顶级会议UbiComp2020（2020年9月12日至17日）在线上召开。在Location and Human Mobility分会场上，京东城市分享了被会议收录的论文《Dynamic Public Resource Allocation based on Human Mobility Prediction》。本篇文章将介绍如何基于人流量的变化动态部署公共资源。.

2020年初，一场突如其来的新冠疫情，使得公共卫生安全问题受到了全社会的广泛关注。与此同时，如何及时掌握人与人之间的病毒传播路径，及时发现确诊人员的密切接触者，成为了各地政府疫情防控最迫切的需求。JUST基于大规模轨迹数据，针对易感人群难以发现的问题，开发并提供了关联人群查询功能，通过对轨迹进行匹配挖掘，能够快速找出与确诊人员行动轨迹在时空维度有过“接触”的人群。其中，实现该功能的很重要的一项工作就是：如何衡量两条轨迹的相似性。下文将简要介绍一些常见的轨迹相似性度量方法。轨迹作为一种时空数据[1]，指的

电商的发展需要依赖高效而可靠的物流服务，如何通过大数据和人工智能技术提升物流小哥的配送效率是我们一直在深入研究的问题。在刚刚结束的数据挖掘顶会KDD2020中，这篇《Doing in One Go: Delivery Time Inference Based on Couriers’ Trajectories》成为被收录的重磅论文之一。本篇文章将介绍京东城市时空数据引擎JUST在物流场景中如何助力物流小哥减负增效。题目：Doing in One Go: Delivery Time Inference