交通大数据研究方向

目前交通组的研究主要基于海量的交通数据展开，主要研究内容如下：

1. 基于深度学习的交通速度/流量/时间预测算法研究

交通预测旨在缓解交通道路上的交通拥堵，涉及到的主要问题是如何对时空特征依赖关系进行充分的的挖掘。常用的深度学习的方法有：LSTM、GRU、CNN以及GCN等，目前研究最多的是基于GCN的交通预测方向。
需要熟练掌握Python以及tensorflow/pytorch深度学习框架。

2. 基于深度学习的出行需求预测算法研究

出行需求预测旨在估计需要交通服务（出租车、自行车、地铁和公共汽车等）的未来用户数量。其主要分为两个方向：

(1) 区域级需求预测：旨在预测城市每个城区的未来旅行需求，例如出租车需求、地铁站乘客需求、自行车租赁需求（共享单车）等；
(2) 始发地目的地出行需求预测（OD），旨在预测从一个区域到另一个区域的出行需求数量。
需要熟练掌握Python以及tensorflow/pytorch深度学习框架。

3. 基于聚类算法的主干道交通差异性分析（拥堵预测）

道路交通拥堵一直以来都是研究的热门话题，基于交通状态评价指标，通过聚类算法以及统计分析方法挖掘城市主干道之间交通运行状态的差异性。
需要基础的Python和ArcGIS操作能力。

4. 基于张量分解与深度学习的交通预测/推荐算法研究

深度学习算法在预测精度上表现出了强大的能力，但是其具有较高的时空复杂度，导致深度模型训练需要很高的硬件要求，并且训练迭代非常耗时。目前利用张量分解对神经网络进行压缩，进而实现深度模型优化，是一个热门方向。
需要熟练掌握Python以及tensorflow/pytorch深度学习框架，以及较强的数学基础。