IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

社会交通中的社会信号分析与感知

已有 715 次阅读 2022-8-23 16:22 |系统分类:博客资讯

引用本文

 

陈虹宇, 艾红, 王晓, 吕宜生, 陈圆圆, 王飞跃. 社会交通中的社会信号分析与感知. 自动化学报, 2021, 47(6): 12561272 doi: 10.16383/j.aas.c200055

Chen Hong-Yu, Ai Hong, Wang Xiao, Lv Yi-Sheng, Chen Yuan-Yuan, Wang Fei-Yue. Analysis and perception of social signals in social transportation. Acta Automatica Sinica, 2021, 47(6): 12561272 doi: 10.16383/j.aas.c200055

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200055

 

关键词

 

社会交通,智能交通系统,平行系统,ACP理论,跨媒体数据 

 

摘要

 

近年来, 智能便携设备和移动互联网的迅速发展促使网络空间中积累了海量的数据信息, 从而影响了众多领域的研究与发展. 本文针对在以社会信号为主的数据对交通领域的影响下产生的跨学科领域−社会交通, 从数据及相应技术方法和研究应用方面对物理和网络空间信息的感知、挖掘、分析与利用的研究成果进行综述, 并分析、总结与展望该领域的未来研究趋势.

 

文章导读

 

交通作为城市建设的重要领域, 其发展高度标志着城市的现代化程度. 20世纪第二次世界大战后, 各国交通随经济不断增长而迅速发展, 其中以道路交通为代表的城市交通发展尤为显著. 然而随着城市化进程加快、城市人口和车辆数量激增, 我国各大中城市道路交通逐渐出现了拥堵、事故以及污染等诸多问题, 各类公共交通的积极探索和大力推广未能有效缓解普遍存在的不良交通状况, 引起了交通领域研究人员的广泛关注. 为逐渐改善交通污染情况、完善交通安全保障、提升交通运行效率, 各国专家学者从20世纪6070年代便开始积极寻找解决方法, 在通讯、传感、控制及计算机等领域的发展推动下, 最终在上世纪末就智能交通这一整体发展目标达成共识, 提出构建智能交通系统以整合交通数据信息, 并进行了许多积极的探索与实践. 智能交通系统(Intelligent transportation systems, ITS)是未来交通系统的发展方向, 它是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的, 实时、准确、高效的综合交通运输管理系统. 在智能交通研究的早期阶段, 受限于采集设备、技术条件和经费资金等因素, 研究数据多来源于现实世界的物理检测设备. 目前, 相关研究技术已发展成熟并得到广泛应用, 但物理检测设备存在的时空覆盖范围有限、运营维护成本较高且更新速度较慢等特点, 使其所得数据无法全面实时地反映实际交通状况以及突发性交通事件信息.

 

进入21世纪以来, 软硬件系统和设备的快速发展完善和算法技术的持续更新优化, 为智能交通的进一步研究和发展带来了新的机遇. 一方面, 智能手机等便携移动设备的广泛普及以及移动互联网和通信技术的快速发展, 使得普罗大众群体成为遍布于城市各个角落的无数社会传感器[1-3]. 相比于传统人为布设的物理传感器, 其能够在一定程度上突破客观因素的限制, 通过人类自发的日常活动为各领域研究提供日渐丰富且多种多样的数据[4]. 另一方面, 系统设备的更新为数据处理和应用技术的优化提供了良好的发展基础, 进而促进了数学、计算机科学、交通学、语言学乃至社会学等学科领域的交叉融合. 同时, 大数据时代为数据挖掘、自然语言处理、深度学习等新兴技术的研究创造了前所未有的海量信息资源. 因此, 总体来看, 智能交通研究的数据来源已从固定的物理空间逐步拓展到广阔的网络空间乃至复杂的社会空间, 数据类型也由准确的结构化数据向模糊的非结构化数据转变. 近十年来, 作为与城市生活息息相关的用户共享信息载体, Twitter、微博、滴滴出行和高德地图等在线平台的涌现也积累了大量交通相关的模糊非结构化数据, 例如用户对交通事故的描述和交通系统的看法等文字或图片. 这类数据对交通系统管控、交通决策制定等交通服务的提升优化具有重要研究价值, 能够补充、完善甚至替代物理检测设备所采集的结构化数据. 因此, 丰富的社会信号[5]为社会交通领域的出现和发展创造了良好的研究环境.

 

目前, 针对社会交通领域的综述文献并不多. Zheng[6]在社会交通领域发展的初期, 针对近年来交通相关研究数据在类型和结构的巨大变化, 对该领域应用与研究方向的影响进行分析阐述. Lv[7]以图形和文字的形式分别展示了领域内研究人员、机构和国家层面的合作模式, 并分析与概述了近年来的研究方向及成果. 经过对国内外现有的丰富研究成果的调研发现, 数据来源的多样性、内容的复杂性及结构的多变性能够在极大程度上决定相关研究的方向、内容及方法. 因此, 本文选择在当前社会交通领域研究发展较为成熟的情况下, 以该领域的研究数据为核心, 对相关研究方法与应用进行更加详细的分析与总结, 并明确指出该领域在下一阶段的发展方向.

 

本文主要分析与归纳了社会交通领域内针对城市交通的已有研究工作, 并对该领域的研究发展趋势进行展望. 全文内容安排如下: 1节总述社会交通的发展背景、作用意义和研究现状; 2节分类介绍社会交通主要研究数据的来源、类型、所含信息及发展趋势; 3节分阶段阐述数据处理过程所涉及的技术方法; 4节分层说明社会交通研究与应用的主要内容和方向; 5节分析与归纳当前研究的不足与挑战并展望未来的发展趋势.

 1  常规数据研究流程及相应典型技术方法

 2  一种用于交通预测的GAN架构示例

 

目前, 社会交通在研究数据、方法思路、算法技术以及实际应用等方面均仍存在诸多问题与挑战, 领域内基本要素如7所示. 相关研究方向和内容还较为局限和分散, 尚未形成完整且成熟的研究体系.

 

从当前来看, 充足的可用有效数据是社会交通领域研究所需面对的首要挑战, 其在数量和质量两个方面均亟需扩增和提升. 首先, 数据的覆盖范围和数量有待扩增, 主要表现在物理空间中实际数据覆盖范围有限、数据缺失和稀疏问题严重以及网络空间中相关可用社交类数据量较少等方面. 其次, 数据的微观准确性有待提升, 主要表现在物理空间与网络空间中数据信息可信性难以保证, 且跨媒体数据间的融合存在壁垒阻碍. 针对上述问题, 研究人员提出利用仿真软件及生成式对抗网络生成大规模人工数据的思路, 以及对跨媒体异构数据进行融合、互补及验证等方法. 相应地, 对数据的探究间接引发了对用于数据处理与分析的算法技术的挑战, 其中包括应对同数据类型多源数据的普适算法或模型的泛化能力、人工数据生成模型搭建思路的逻辑合理性, 以及融合分析多模态数据的技术方法的综合性能. 克服上述挑战的关键在于深入探究前沿技术算法, 对其进行优化、集成或融合.

 

作为交通工程学与社会学的交叉学科, 社会交通与城市整体的规划、建设及发展具有密切的联系. 然而, 社会交通领域内的研究与应用还未充分发挥其在推动城市发展方面的作用. 在具体实际应用方面, 不足之处包括: 广泛且有效的探究并利用社会舆情、人际关系和群体智慧不足; 充分挖掘数据信息得出有效知识经验或可行智能决策不足; 与城市交通系统较好地融合并形成合理的体系结构不足; 与城市的规划、调控及发展深入结合不足. 为克服上述问题, 研究应结合与交通不可分割的社会因素, 从而进一步推动智能交通系统的未来发展. Xiong[151]结合人类因素和社会因素提出的基于CPSS (Cyber-physical-social systems, CPSS)的交通系统, 恰好符合王飞跃所指出的下一代以社会为中心的智能交通系统(又称交通5.0[152])的典型特征, 即基于CPSS. 同时, 作为交通5.0的基本解决方案, 包括ACP理论等结构框架或理论方法在内相关研究的推广与应用[153]则是未来交通系统发展的必经过程[154], 而这一过程需要由大量来自信息、物理和社会空间的数据推动.

 

大规模的跨媒体数据能够驱动社会交通研究的发展, 尤其是需要依靠丰富多样的数据信息来支撑的平行交通系统. 构建实际城市交通系统对应的人工交通系统, 根据真实数据信息利用计算实验生成虚拟或人工数据, 可对多种具体或特定场景下的交通状态变化进行模拟与分析, 从而为引导城市交通综合管理走向智能化提供可靠的实验基础和指导, 进而逐步实现平行智能交通. 此外, 为进一步扩大社会交通的影响效应, 研究人员应尝试拓宽研究思路和范围, 并结合技术算法的发展趋势[155], 发掘社会交通领域研究与应用的更多可能性, 例如多人工交通系统的构建及协同运行.

 7  社会交通领域研究的基本要素

 

作者简介

 

陈虹宇

中国科学院自动化研究所与哈尔滨理工大学自动化学院联合培养硕士研究生. 2017年获得长安大学电子控制与工程学院自动化专业学士学位. 主要研究方向为交通数据分析, 社会交通, 智能交通. E-mail: chenhongyu2017@ia.ac.cn

 

艾红

哈尔滨理工大学自动化学院教授. 2003年获得哈尔滨理工大学硕士学位. 主要研究方向为网络智能控制, 多传感器数据融合. E-mail: aihong@hrbust.edu.cn

 

王晓

中国科学院自动化研究所复杂系统管理与控制国家重点实验室副研究员. 2016年获得中国科学院大学社会计算专业博士学位. 主要研究方向为社会交通, 动态网群组织, 人工智能和社交网络分析. 本文通信作者. E-mail: x.wang@ia.ac.cn

 

吕宜生

中国科学院自动化研究所复杂系统管理与控制国家重点实验室副研究员. 主要研究方向为交通数据分析, 动态交通建模, 平行交通管理与控制系统. E-mail: yisheng.lv@ia.ac.cn

 

陈圆圆

中国科学院自动化研究所复杂系统管理与控制国家重点实验室助理研究员. 2018年获得中国科学院大学控制理论与控制工程专业博士学位. 主要研究方向为交通数据分析, 社会交通, 平行交通管理与控制系统. E-mail: yuanyuan.chen@ia.ac.cn

 

王飞跃

中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任, 中国科学院大学中国经济与社会安全研究中心主任, 青岛智能产业技术研究院院长. 主要研究方向为平行系统的方法与应用, 社会计算, 平行智能以及知识自动化. E-mail: feiyue.wang@ia.ac.cn



https://blog.sciencenet.cn/blog-3291369-1352329.html

上一篇:目标检测模型及其优化方法综述
下一篇:嵌套删失数据期望最大化的高斯混合聚类算法
收藏 IP: 222.131.242.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-11-30 22:41

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部