權威舉辦 |『人工智慧與智慧交通』前沿講習班

學術報告6

Understanding On-Demand Ride Services: Platform Optimization, Network Evaluation, Behavioral Analysis, and Traffic Prediction

講者：陳喜群，浙江大學研究員，博導，浙江省傑青。

摘要：The on-demand ride service platform, e.g., Urber, Lyft, DiDi Chuxing, is an emerging technology with the boom of the mobile internet. Ridesourcing or transportation network companies (TNCs) refer to an emerging urban mobility service mode that private car owners drive their own vehicles to provide for-hire rides. On-demand ride-sourcing services can be completed via smart phone applications. The platform serves as a coordinator who matches requesting orders from passengers (demand) and vacant registered cars (supply). There exists an abundance of leverages to influence drivers’ and passengers’ preference and behavior, and thus affect both the demand and supply, to maximize profits of the platform or achieve the maximum social welfare. Having a better understanding of the short-term passenger demand over different spatial zones is of great importance to the platform or the operator, who can incentivize drivers to the zones with more potential passenger demands, and improve the utilization rate of the registered cars. On-demand ride services receive praises from consumers and investors. This presentation focuses on the ridesourcing system optimization modeling and behavioral analysis of the shared mobility on demand. In particular, there are four aspects of research efforts have been accomplished by or ongoing in the presenter’s team: (1) On-demand ride services platform and government regulation policy optimization via coordinating supply and demand, where a two-period dynamic game is analyzed so as to evaluate multiple performance measures associated with three basic policies (i.e., no regulation, complete ban, and basic regulation); (2) Urban road network-wide performance evaluation by exploring real-world emerging ridesourcing order data extracted from DiDi’s platform (e.g., network travel time reliability analysis, and scaling law of visitation frequencies); (3) Understand on-demand ridesplitting behavior both via ensemble learning techniques based on real-world order data and app-based online survey; and (4) Demand/supply/traffic forecasting, e.g., spatio-temporal deep learning for passenger demand forecasting, hexagon-based CNN for supply-demand gap forecasting, and traffic speed prediction with temporal and spatial correlations. Those research initiatives of the presenter’s research team have the potential to help decision makers better understand the emerging on-demand ride services from multiple perspectives.

學術報告8

大資料驅動的城市智慧交通控制技術

講者：沈國江，浙江工業大學教授，博導，電腦科學與技術學院副院長。

摘要：一個城市的道路交通系統每天都在產生並儲存著海量的資訊，這些資訊隱含著狀態變動和裝置執行等資訊。如何有效利用海量離線、線上資料和知識，實現對交通執行的最佳化控制，已成為控制理論界和交通工程界迫切需要解決的問題。本報告主要介紹如何利用大資料+人工智慧來理解交通規律和交通樣式，進而形成一套科學有效的交通控制應用技術。報告主要分為四個方面：一是城市交通大資料的分析和處理方法；二是城市交通訊號智慧控制技術；三是城市交通綜合評價指標及體系；四是應用案例分析。本報告從實際應用角度出發，探討如何有效應用大資料來緩解城市交通擁堵和改善城市交通狀況。

學術報告9

面嚮應用的城市道路交通智慧控制技術 

講者：劉小明，北方工業大學教授，博導，交通訊息與控制工程系主任。

摘要：基於城市區域交通協調控制實際關聯因素分析，在考慮控制魯棒性及計算複雜性基礎上，設計交通訊號自適應準實時分層控制系統，支援人工智慧交通控制演演算法池，達到參考模型驅動、參考模型易替換及可持續最佳化，並對控制過程中相位差的最佳化、評價及過渡技術進行說明。

學術報告10

交通流時間序列分析

講者：李力，清華大學自動化系副教授，博導，IEEE Fellow，自動化學會青年工作委員會副秘書長。

 

摘要：我們從趨勢分析的角度建立了交通流時間序列異常資料處理，資料壓縮，缺失資料補償，資料預測的統一分析處理演演算法；並強調了智慧處理演演算法的應用

學術報告11

人工智慧與行車排程

講者：袁志明,中國鐵道科學研究院集團有限公司通訊訊號研究所副研究員。

 

摘要：隨著鐵路建設的快速發展和鐵路科技的不斷進步，鐵路運輸已經成為我國交通運輸體系的骨幹。行車排程作為鐵路運輸管理體系的中樞，在提升高鐵運輸高效性、降低安全事故發生機率、提高突發事件下的快速響應能力方面具有重要的作用。本報告從鐵路行車排程指揮的應用實踐出發，介紹我國行車排程指揮系統中蘊含的關鍵理論方法和相關應用技術，探討人工智慧和大資料背景下的智慧行車排程。

學術報告12

生成對抗式網路及其在智慧交通系統中的應用 

講者：呂宜生，複雜系統管理與控制國家重點實驗室副研究員。

 

報名及註冊費

1、本期講習班限報 100 人，根據繳費先後順序錄取，報滿為止；

2、2018年10月12日（含）前註冊並繳費：自動化學會會員2000 元/人，非會員報名同時入會2500元/人；

3、現場繳費：會員2500元/人，非會員3000元/人（包含提前報名現場繳費、現場報名現場繳費）；

4、在校生參會可享受學生優惠價格1200元/人；

5、同一單位3人及以上團體報名，按會員標準繳費；

6、即日起至 2018年10月12日，掃描下方二維碼進行註冊報名。

贊賞

長按二維碼向我轉賬

受蘋果公司新規定影響，微信 iOS 版的贊賞功能被關閉，可透過二維碼轉賬支援公眾號。

微信掃一掃
使用小程式
即將開啟”“小程式
取消
開啟