澳門協同智能無人駕駛平台及關鍵技術
背景 澳門大學科研項目“協同智能驅動的無人駕駛關鍵技術與平台”成功爭取成為澳門科學技術發展基金的人工智慧重點研發專項計劃，為澳門歷史上最大的單體研究項目之一，顯示澳大雄厚的研究實力再獲肯定。透過此研究，澳大師生有望在不久將來可在校園內體驗無人駕駛技術。 研究方向 開放動態復雜環境下大規模群體智能解決方案 開放環境下的動態不確定性、環境異構性等問題是無人車的重大挑戰之一。 [...]
大規模交通相關數據熔合及數據處理
多源多態的智能交通數據涵蓋軌道交通、線路交通、浮動車交通及步行等多種居民出行模式，其多源性體現在數據源（多種交通工具），多態性體現在數據形式（浮動車輛軌跡、公共交通刷卡記錄）。與此同時，智能交通數據本身的海量性和高維度性，及數據缺失、冗余和噪聲問題，都給多源多態的智能交通數據的熔合和後續處理帶來了巨大的挑戰。針對這些難題，智能交通研究室在初探研究中針對多源多態的智能交通數據進行了細致的逐一分析，並利用交通模型自身的空間域和時間域的一致性針對智能交通大數據提出了數據處理和數據熔合模型。 以數據預處理為例，智能交通研究室在初探研究中利用城市道路網絡的時域自相關性和空間域互相關性，僅利用了有限的浮動車輛（約壹萬輛出租車）約20%時空覆蓋率的觀察數據，實現了某壹線城市道路網絡（2000平方公裏）100%的交通通行速度的交通感知，平均精度在85%以上。該研究將壹條道路的流速表達為時域上的交通通行速度的浮點序列，並在引入了推薦系統中常用的壓縮感知技術的前提下，利用相關性分析技術對道路進行空間相關性建模。從而使得觀察數據較為稀疏的道路能夠通過具有空間強相關性的觀察數據較多的其他道路得到更準確的數據推理，以此解決相關研究中，不同道路交通補缺效果差別過大的缺點，提高了整體的數據補全精度。在後續研究中，智能交通研究室計劃將自研的基於機器學習技術的稀疏表達技術(H. Xiong et al. 2019)，通過海量歷史數據，將道路交通的時域與空間域相關性轉化為更高維度的非線性表達，從而獲取更精準的交通信息補缺。 完成了多源多態智能交通數據的預處理研究後，智能交通研究室在後續研究中提出了一個具有創造性的統一架構，該架構能夠利用城市交通網絡的時域和空間域特性，熔合多種實時交通數據，並基於多源多態的交通數據進行交通出行的推薦。該框架涵蓋三大模塊。最底層的是基於多源多態交通數據特性設計的實時數據吸收模塊（Real-Time Data [...]
時空眾包問題、資料處理問題以及查詢優化問題
我們提出了一套領先的系統性的研究框架去解決智慧城市智能交通領域的各方面研究課題。這些課題由數據端到應用端，至下而上包括以下關鍵研究問題：（1）基於空間眾包技術的交通數據采集與融合問題；（2）基於深度神經網絡的復雜交通模型問題；（2）基於復雜交通模型的實時空間查詢處理問題。我們初步的研究成果已經發表在了國際頂級會議期刊上（包括SIGMOD、VLDB、CIKM、TKDE燈）。 時空眾包問題 我们重点研究如果利用众包技术进行多源交通数据的采集及融合，从而以合理的成本获取高质量的交通监测数据。在初步研究中，我们已经开发出了一套能够用于top-k排序问题的众包算法，这一算法有潜力能解决多源不准确的交通观测数据的融合问题。相关研究成果发表在SIGMOD、VLDB等国际会议上。 利用深度學習技術解決交通數據處理問題 單一的交通模型由於缺乏信息的表達能力，這有礙於為智能交通應用中引入更先進的時空查詢處理。因此，我們提出了一種不僅能夠包含豐富的時空信息，並且能夠支撐實時交通查詢的復雜交通模型。為產生該模型，我們引入了數據挖掘領域和機器學習領域中的話題模型和深度學習技術。這些技術能夠很好地將空間社交網絡上的文本信息與交通的時空信息相結合，從而獲得強於傳統交通模型的的信息表達能力。相關研究成果發表於IJCAI、SIGIR、TIST、SIGMOD、ICDE、CIKM、GeoInformatica等。 時空查詢處利技術 [...]