5月13日~17日，盘算机领域一大国际顶级学术聚会——国际万维网大会（The International Conference of World Wide Web，简称WWW聚会）将在美国旧金山举行。克日，大会论文收录效果揭晓，k豆钱包AI手艺部汤先锋所著论文《Joint Modeling of Dense and Incomplete Trajectories for Citywide Traffic Volume Inference》入选。该文提出了基于少量GPS轨�：：：筒煌暾嗫毓旒＠赐贫铣鞘絮杈督煌髁康囊欤χ腔鄢鞘薪ㄉ琛�
掌握城市蹊径的实时交通流量，有利于拥堵预测、车辆调理和蹊径妄想，因此关于智慧城市建设也具有主要意义。可是，交通流量的信息，往往只能通过传感器和蹊径摄像头来获得，这就导致了数据的收罗受到了监控舷笼罩度的制约，即只有部蹊径段的交通流量信息是已知的。为此，上述论文提出，希望能基于已有的交通流量信息，通过对蹊径间车流量相似性举行建模，以此来推断整个城市所有蹊径的流量情形。
不过，古板的基于车辆轨迹构建蹊径流量的相似性的要领，往往会受到轨迹自己的制约。例如，出于隐私�；さ乃剂浚挥幸徊糠止步煌ǖ某盗净岜辉市硗鏕PS轨迹，这就导致了收罗的轨迹自己保存误差。别的，虽然可从城市监控系统收罗的图像中通过识别车牌来恢复车辆轨迹，但这一要领也会受到监控系统密度的制约�；谎灾赜诿挥屑嗫氐穆范危盗镜男惺焕桃簿筒豢杀煌暾吐己妥既氛莆铡Ｎ四艹浞质褂蒙鲜隽街止旒＠淳傩谐鞘絮杈督煌髁客贫希畚奶岢�基于麋集和不完整轨迹来推断城市蹊径交通流量的要领。
首先，作者对来自监控系统的不完整轨迹举行概率漫衍的建模，立异地选择使用高保真的交通模拟器（SUMO）来对未监控路段的轨迹举行推断。据介绍，相比古板要领，使用模拟器可以更好地思量多种因素，包括城市蹊径的行驶规则，以及车辆之间交互带来的影响。可是，纯粹使用模拟器默认参数往往会有较大的模拟误差。为此，作者设计了基于深度强化学习的调参算法，通过将参数调解看成Action，模拟器的状态作为State，训练强化学习Agent来自动选择模拟器的最优参数。
在获得轨迹漫衍之后，就可以此来结构蹊径之间的相似性。凭证研究，用差别类型的轨迹（完整的GPS轨�：：：屯üＤ饣竦玫墓旒＃├唇缢刀嗍拥阃枷瘢梢愿玫乇泶秕杈吨淞髁康南嗨菩浴Ｎ耍髡呤紫韧ü嗍拥阃枷袂度肜囱懊扛雎范卧诿扛鍪奔涞谋碚飨蛄浚偈褂孟蛄磕诨趟沲杈吨淞髁康南嗨菩浴Ｍü庑┫嗨菩裕冒爰嗍拥娜霾ニ惴ɡ赐贫衔粗孽杈读髁壳樾巍�
提交乐成！！
请您耐心期待！！