基于多任务迁移学习的交通警情信息自动处理方法

从交通警情数据中自动获取信息对于快速处理交通事故和提高交通管理水平具有重要的意义。为此，提出了一种基于多任务迁移学习的交通警情信息自动处理方法，该方法上游采用文本预训练模型作为共享参数层，下游建立多任务并行学习方法，实现对交通警情中的关键信息、类型和语义自动处理。选取江苏省苏州市2年内共120 191条原始交通警情作为试验数据，通过自动处理方法构建了一套标准的交通警情信息数据库。试验结果表明：所建立的关键信息抽取方法可以更精准地提取警情数据中的时间、地址和车牌信息；交通警情分类模型性能优于现有的深度学习模型，分类准确率达93%；基于局部特征增强的警情语义分析方法重点识别了警情中事故的严重程度和救援需求，识别准确率达87%。研究结论显示交通警情自动化处理方法具有良好的可移植性和实用性。     

基于海量数据的城市绕行比率研究

利用海量轨迹数据对不同城市绕行比率进行研究,比较绕行比率与路网密度、探究绕行比率的地理分布特征,分析绕行出行者比例并研究多种因素对绕行效果的影响.依托对浮动车数据的特征解析,研究北京、广州、成都、纽约的非直线绕行比率,使用DBSCAN-GRID方法研究OD地理分布对绕行比率的影响.同时比较北京、广州、成都3个城市的选择性绕行比率,分析选择绕行的出行者中提升平均速度及降低旅行时间的比例,基于海量数据评价绕行效果.结果表明,城市出行距离与欧几里得距离呈现拟合优度大于0.9的线性相关性;短距离出行的绕行比率显著高于长距离出行;绕行平均能够帮助提升19% 平均速度和节省10% 旅行时间;信任导航出行者错误绕行比例比依靠经验出行者高15%,有经验的出行者比信任导航的出行者能做出更正确的路径选择.