项目简介：从时空大数据中进行知识发掘、学习与转移是当前地理信息科学、交通科学、城市规划、计算机科学、人工智能等多个学科领域研究的热点，而时空轨迹数据分析则是时空大数据研究的重中之重与技术难点。本研究旨在从复杂网络科学与人工智能强化学习领域引入更灵活与高效的方法，以对人车时空轨迹大数据进行更精准的行为模式挖掘与序列行为决策模拟。针对目前数据结构和模型结构参差不齐（即多源异构性），缺乏一套统一的、灵活且高效的分析框架的问题，建立一个基于复杂网络的时空轨迹大数据分析框架，系统地把轨迹数据转换成网络数据，并开发灵活高效的网络分析算法。并引入逆向强化学习算法，在尽可能减少大数据信息损耗和保证行为决策的时空连续性的基础上，更准确地模拟序列决策行为与环境的耦合关系，预测交通行为轨迹，并应用于出行需求预测、交通拥堵预测、城市与交通政策评估等。
【项目主持人：张文佳，项目起止时间：2019年1月至2020年12月】
