报告题目：城市交通预测与拥堵源分析：一种深度学习方法
报告时间：2017年3月30日（周四）19:30
报告地点：科技大厦11层1101大会议室

报告内容：
城市道路交通的速度预测是城市交通服务和交通管理当中的一项重要研究课题。与此同时，理解和分析城市道路之间的相互作用关系，并根据相互作用关系分析城市交通中的拥堵成因，从而改善城市道路的规划水平，也是交通与城市规划研究人员非常关心的问题。但是，长期以来，研究人员将这两个问题作为两个独立的问题进行研究，很少有工作将两者放在同一框架下进行考虑。
在本文中，我们使用数据驱动的研究方法，将目前人工智能领域最为流行的深度学习方法引入到交通预测与分析领域。研究工作提出了一种带预测误差反馈的递归卷积神经网络模型（Error Feedback Recurrent CNN，eRCNN）。eRCNN模型使用路况数据作为输入，将交通拥堵当中的时空局部性、交通突发事件等特征融入到深度神经网络模型当中，实现了高精度的交通速度预测。此外，eRCNN使用深度学习的敏感性分析方法，对不同道路之间的相互影响作用进行了建模分析：根据每一条道路对相关道路的影响程度，测算城市路网中不同道路的重要性，从而检测出在发生拥堵时城市路网中对拥堵影响最大的“源头”路段。
该工作的研究成果能够同时满足交通服务和交通规划两种不同类型的业务需求，因此具有很广泛的应用前景。该研究工作于2016年长文发表于IEEE数据挖掘领域的旗舰会议ICDM上，ICDM2016的长文录用率为8%。

简历：
王静远，2011 年7 月毕业于清华大学计算机系，获工学博士学位。现任北京航空航天大学计算机学院副教授。主要研究方向为数据挖掘与人工智能技术在城市规划、交通管理等领域的交叉应用。承担和参与课题包括：国家自然科学基金、国家重点研发项目、973 项目、863项目、欧盟第六框架项目等。发表学术论文20余篇，其中包括计算机领域顶级学术会议IEEE ICDM，AAAI，IEEE Infocom、ACM Mobicom，权威国际学术期刊IEEE Intelligent Systems、IEEE Communications Letters、JNCA、Plos One等。并申请中国专利9项，美国专利2项，AVS 标准提案一项。担任SCI期刊Frontier of Computer Science《计算机科学前沿》 Managing Editor。

Traffic Speed Prediction and Congestion Source Exploration: A Deep Learning Method