《中国人工智能学会通讯》——11.16面向交通路网的多任务学习方法-CSDN博客

11.16面向交通路网的多任务学习方法

道路交通问题是当今世界关注的热点问题，如何准确分析路网车流的内在规律并利用这些规律对交通进行分析研究，已成为我国高速公路运营管理迫切需要解决的关键。道路交通是车与路互动的复杂系统。在这个系统中，道路结构相对稳定，而车辆成为最活跃的因素，其时空分布驱动了交通现象的变化，也成为交通系统复杂性的根本原因。传统的交通研究方法以道路结构中的单个空间位置点为研究对象，分析该位置点车流的历史观测数据并总结规律，进而对未来的交通流行为作出估计。早期的交通道路结构相对简单，因此以单位置点为研究对象的交通分析方法通常可以取得较准确的分析结果。近年来，随着车辆规模的快速增长和道路基础设施的不断发展，目前的交通道路结构已变得十分复杂，其中的车流运行规律也越来越隐晦，这使得以单位置点为研究对象的传统交通流分析方法难以再适用。如今的交通是具有网络性、异质性和动态性特点的复杂系统：① 纵横交错的道路构成了复杂的交通路网，这使得交通系统具有了网络性质。传统以单位置点为研究对象的交通流分析方法并不能有效利用车流之间的关联信息，因此它们已经无法再适用于网络化的交通系统。交通流之间的关联性促生了从路网视角进行全局交通流分析的需求，要求将路网中多节点的交通流行为同时进行学习。②交通的异质性是指交通流内部机理的差异性和不均衡性，其本质在于交通路网中所蕴含的关联关系是异质的，它们通常呈现出不均衡的分布，并且关系的强弱各异。交通的这种异质性对交通研究方法又提出了新的要求：对路网多节点的交通流行为进行全局分析的同时，要对它们之间的关联性进行学习，并利用关联信息对多节点的交通流进行更准确的分析。③ 交通路网是一种动态系统，随着时间的变化，其内部的交通流规律与运行模式都在不断变化。上述3 个特点对交通研究方法提出了新的需求：① 使用更加全面的信息，具有对路网多个节点同时进行分析的能力。② 充分利用路网中各位置点之间交通流的时空关联性，以便从网络视角进行交通分析，最大限度地共享它们之间的信息和知识。③ 能够实时、动态地对交通路网进行全局的分析。因此，满足上述要求的交通分析方法是解决目前交通问题的关键。

多任务学习 (Multi-Task Learning，MTL) [1] 的概念为 Caruana 在 1997 年提出，他认为真实世界中存在的学习任务通常不是孤立存在的，不同的学习任务之间存在着联系。同时学习多个困难的任务要比单独学习这些任务容易许多。图 1 给出了多任务学习在交通流预测问题中的样例，其中线段为交通道路结构，A、B 为两个需要进行交通流预测的位置点，并已知它们的大部分车流均来自于 C、D、E，那么 A、B 这两个位置点的预测任务共享了相同的信息。多任务学习的思想就是将这些相关的任务同时进行学习，利用任务之间的信息共享机制来提高整体学习的准确度。
多任务学习方法为网络化交通分析提供了可行途径。首先，多任务学习方法能够对交通路网中的多个节点同时进行分析，这满足了交通的网络性特点所提出的要求。其次，多任务学习方法可以针对性地处理交通中关联关系的异质性特点，因为不同的异质性构成了不同任务之间的差异性。第三，当对不同的时间区域建立不同的任务时，时序的任务关系便可以处理动态的交通流特点，这对应了交通的动态性特点。因此，本文从交通问题的实际特点出发，针对现有多任务学习方法的不足，深入开展下述四项研究内容：① 提出一种基于聚类规则项的多任务聚类方法。针对现有多任务聚类方法需要事先指定任务类簇数目的局限性，采用聚类规则项技术，从数据中自主地学习出任务的聚类模式。结合模型特点设计了基于平滑近似梯度的高效优化算法，分析给出了任务聚类模型误差的理论上界，并在多个数据集上进行了验证。② 提出一种基于任务层次结构的多任务学习方法。针对现有多任务学习方法在任务关系表达形式上的局限性，将任务间的关系表示为多层次结构，不同层次上的任务关系具有不同的聚类模式。结合模型特点提出了自底向上的层次交替优化算法，给出了任务层次模型误差的理论上界，并在多个数据集上进行了验证。③ 扩展多任务学习方法到动态数据场景中。针对现有多任务学习方法仅适用于静态场景的局限性，利用交通流的时间连续性特点对多任务模型进行动态扩展，使其可以学习出任务关系和模型参数的动态变化模式。结合模型特点设计了高效的在线优化算法，并在时变交通流数据集上进行了验证。④ 将上述研究的多任务学习方法应用于实际交通分析中。提出了多任务学习与传统交通流分析方法相结合的混合模型，并应用于面向路网的交通流关联模式挖掘、交通流预测和交通异常分析等场景之中。相关的理论和方法得到实际验证，成果已应用于国内安徽省和山西省高速公路决策支持系统中，所形成的软件系统已投入两省高速公路管理运营部门使用，并取得了良好的实用效果。