交通数据挖掘前沿论坛

交通运输关系国计民生，服务亿万民众。交通行业细分领域众多，包括公路、铁路、航空、水运、城市综合交通等。交通数据的模态和形式多样，且具有极其复杂的时空特性。交通数据挖掘作为现代智慧交通系统中的核心技术之一，具有广阔的应用场景，也面临着高维时空相关性和实时动态性等诸多挑战。本次研讨会邀请了国内交通数据挖掘领域的优秀学者，探讨该领域的前沿技术与应用场景，并展望未来发展趋势。

论坛主持人                                                                                                                                                                                    

主持人简介：万怀宇，博士，北京交通大学计算机科学与技术学院教授。中国计算机学会（CCF）高级会员、智慧交通分会执行委员、大模型论坛执行委员。交通大数据与人工智能教育部重点实验室学术带头人。主要研究方向为时空数据挖掘、时空知识图谱和交通大模型。发表学术论文80余篇，入选斯坦福大学2022全球前2%顶尖科学家、爱思唯尔2023中国高被引学者。曾获中国计算机学会科技进步二等奖（主持）、中国航空运输协会民航科技二等奖、中国人工智能学会吴文俊人工智能科技进步一等奖等奖励。

主持人简介：刘华锋，博士，北京交通大学计算机科学与技术学院讲师。2021年博士毕业于北京交通大学，2021至2023年在香港大学数学系从事博士后研究工作，2023年入职北京交通大学机器学习与认知计算研究所。主要研究方向为机器学习和概率生成模型理论与应用。在JMLR、TKDE、TOIS、NeurIPS、CVPR、WWW、AAAI、ACL等期刊和会议上发表学术论文40余篇，其中CCF A类论文20余篇。曾获中国城市轨道交通协会科技进步奖二等奖、北京交通大学优秀博士学位论文、《软件学报》高影响力论文等奖励或荣誉。

报告1：融合自然语言提示的多模态交通预测大模型                                                                                                                     

报告人简介：马晓磊，北航交通科学与工程学院教授。IET Fellow，国家万人计划青年拔尖人才，智能交通技术与系统教育部重点实验室副主任。主要研究领域包括一体化出行、能源交通融合及交通大数据分析，在交通领域顶级期刊以及会议上发表论文100余篇，谷歌学术引用量10000余次。曾获中国地理信息科技进步一等奖、北京市自然科学二等奖、中国智能交通协会技术发明一等奖等省部级奖项15项；担任IEEE Transactions on ITS、IET ITS、Transportation Research Part C/D等7个权威SCI/SSCI期刊副主编或编委。担任中国致公党中央青年工作委员会委员，全国青联委员、中国青年科技工作者协会理事、致公党北京市委教育委员会副主任。

报告摘要：尽管交通预测研究领域在过去几年内取得了显著进展，现存的大多数方法仍然局限在单一数据源的框架内——例如，车流速度预测仅依据过往速度记录，流量分析则单独依赖历史流量数据，忽略了跨数据维度的融合与知识迁移潜力。本报告旨在突破这一局限，基于大语言模型的理解及推理功能，将多元化的附加信息转化为直观的自然语言提示，并融入时空序列数据分析中，并最终实现大规模、可交互、可迁移的交通预测模型。

报告2：人工智能大模型在智慧交通领域的创新思考和应用                                                                                                           

报告人简介：刘志远，东南大学交通学院教授、东南大学青年首席教授。现任东南大学复杂交通网络研究中心主任、国家卓越工程师学院副院长。入选国家级海外特聘专家计划（青年），获国家自然科学基金优青。研究领域包括交通大数据分析、交通网络规划与管理、公共交通、多模式物流网络等。发表SCI/SSCI论文130余篇（皆为第一或通讯作者），论文被引用7000余次，其中ESI高被引论文10篇，自2021年起连续3年入选“爱思唯尔中国高被引学者”、“全球前2%顶尖科学家”，主持国家自然科学基金重点项目、科技部重点研发计划课题等国家级项目6项。担任国际期刊Multimodal Transportation执行主编，四个知名SCI期刊Transportation Research Part E、IEEE ITS Magazine、ASCE Journal of Transportation和IET Intelligent Transport Systems副主编。

报告摘要：随着新一代人工智能技术的发展，以大模型（LLM）为代表的前沿技术正逐渐成为推动智慧交通领域新质生产力发展的关键力量。在交通领域的大模型研究，目前主要形成了三个主流研究方向：第一种为大模型直接参与交通场景具体任务，包括LLM融合自动驾驶、LLM融合交通领域预训练与微调，以及将LLM作为用户与系统交互的高效工具；第二种旨在探索交通领域生成式AI的潜在可能，包括生成式智能体、车辆物理运动生成、轨迹生成等；第三个方向关注多模态大模型的构建，包括全栈可控端到端自动驾驶等。本报告将全面梳理以大模型为代表的人工智能前沿技术的发展历程，深入解析其核心技术原理，并重点探讨其在智慧交通领域的应用实践。将针对智慧交通领域中的典型场景和问题特征，探讨如何有效融合大数据分析、先进机器学习技术以及交通领域的专业知识，以大模型等人工智能技术为支撑，提出创新性的思路和解决方案。旨在为城市交通规划、交通网络设计以及交通管理与控制提供智能化的决策支持，助力实现更高效、更安全、更环保的交通系统。

报告3：基于跨域资源协同的城市大规模移动群智感知                                                                                                                    

报告人简介：向超参，，重庆大学计算机学院教授，教育部青年长江学者，重庆市“巴渝青年学者”，重庆市高层次人才。主要从事物联网、人工智能、城市计算、移动智能感知、大数据等方面的研究。近5年主持国家/省部级纵向项目10余项。共发表学术论文70余篇，包括CCF A/IEEE/ACM汇刊等高水平论文40余篇，ESI高被引论文2篇。被中央部委采纳的重要技术决策咨询报告2篇。获军队科技进步三等奖2项；ACM中国2021年新星奖（重庆）；大学科研学术成果一等奖1项（排名第一）；中国电子学会2021年优秀学术论文奖1项（排名第一）；2023年中国物联网大会最佳论文奖（通信作者）；IEEE MSN会议最佳论文奖1项（排名第一）。出版Springer英文专著和中文专著各1部。

报告摘要：随着“互联网+”的发展，“万物感知、万物互联、万物智能”的时代正在到来，利用众多普通用户现有移动感知设备(如智能手机和手表、智能汽车、无人机等)形成的移动群智感知网络，以极低的成本实现大规模、细粒度的城市感知，是实现覆盖全国千万级规模感知目标的重要途径。本报告基于团队最新研究成果，汇报如何利用智能手机、智能建筑、智能汽车、无人机等现有普适的移动感知设备资源实现城市的大规模移动群智感知。

报告4：路径表征学习                                                                                                                                                                       

报告人简介：胡吉林，华东师范大学教授，2022年入选国家级青年人才计划。曾任奥尔堡大学计算机系长聘副教授，长聘教轨助理教授，加州伯克利分校访问学者。研究方向主要是时空数据管理与分析、交通分析及预测、图神经网络等，发表CCF推荐A类国际期刊或会议论文20余篇，曾获得ICDE 2022最佳论文奖。担任PVLDB 2020 Session Chair、SpatialDI’21/23 专题主席、ACM SIGSPATIAL 2023-2024 Treasurer Co-Chair、2023年澳门智慧城市会议智能交通论坛主席。主持国家级青年人才计划项目、华东师范大学重点攻坚任务培育项目，共同主持丹麦Villum交叉学科基金项目。担任ACM SIGSPATIAL中国分会执行委员、CCF 数据库专委会执行委员和CAAI 智能服务专业委员会委员。

报告摘要：路径表示在多种交通应用中至关重要，例如在路径推荐系统中估计路径排名、在导航系统中估计路径旅行时间。现有研究通常以监督的方式学习特定任务的路径表示，这需要大量的标注训练数据，并且很难泛化到其他任务。本报告将介绍无监督和弱监督的路径表示学习方法。无监督路径表示学习框架Path InfoMax（PIM）用于学习适用于不同下游任务的通用路径表示。弱监督路径表示对比学习模型通过引入易于获得且成本低廉的弱标签来更好地训练时态路径编码器，同时还利用基于课程学习的学习策略来解决路径表示从简单场景到复杂场景的泛化问题。

报告5：TrajGPT：知行时空大模型在城市交通数据挖掘的应用                                                                                                      

报告人简介：陈峥，佳都科技时空决策研究中心主任。2020年获美国弗吉尼亚大学博士，2020-2021年任弗吉尼亚大学研究员，发表高水平学术论文十余篇。主要研究方向为智能控制与时空数据挖掘。牵头研发的智能环控节能控制系统已在长沙、济南、南宁等多地成功应用，并获广州市轨道交通自主创新产品奖。主持研发的佳都知行时空大模型已赋能多款智慧城市交通和智慧地铁产品。

报告摘要：面相时空数据的预测、分类、异常检测、因果推断等挖掘任务在城市交通以及更多行业中普遍存在，同时也随着城市发展阶段、交通模式、地域差距等因素呈现出应用场景的多样化、非标准化等特点。传统的专用模型在面对这些应用场景时存在局限性，包括研发周期长、数据量要求高以及人力成本高，而采用预训练大模型有望打破这些局限性。本报告将着重探讨时空大模型在城市交通数据挖掘中的应用，并将详细介绍佳都科技在预训练时序基座和时序多模态方面的最新研究进展。同时，通过在真实交通行业场景中的应用案例，深入分析当前时空大模型应用中遇到的挑战和限制、潜在的解决方案等，并展望未来时空智能领域大模型的发展趋势。