Projects & Awards

图表示学习已经成为人工智能领域的研究热点。然而，现有研究工作大多侧重于节点之间的结构关系和节点的属性特征，比较适用于静态图的分析与处理。而在现实场景中，绝大多数图都是经过一段时间的演化形成的。因此，本项目拟从图数据的动态性和演化性出发，采用持续时间、动态学习的新思路，研究动态图的通用表示学习方法。首先，研究动态图数据的统一化描述方法，将动态图数据形式化为带时间标签的元事件序列；并研究元事件的信息编码与消息生成机制。然后，研究元事件驱动的节点表征动态更新机制，将节点的状态表示为结构化时空记忆单元，并基于元事件的消息传递，动态更新节点的表征。其次，研究面向通用动态表征的模型训练方法，并设计无监督或自监督训练任务引导动态图的表示学习过程，以获得可以应用于多重下游任务的通用节点表征。最后，聚焦科研学术网络和交通信息网络两个现实场景，将本项目所开发的动态图表示学习方法集成到国家级业务平台。

传统的传染病传播风险评估与预测主要依赖于传播动力学模型，并不能很好地刻画真实世界疫情的传播模式。在本次新冠疫情中，人口流动大数据和人工智能预测算法的引入，极大提高了预测效果，为疫情的防控提供了有力的支持。本项目拟在这一方向继续深化，构建更为精准的多尺度人口流动性建模方法，系统地研究面向重大传染病多元时间序列的人工智能预测方法，以及数据模型与动力学模型的耦合机制，旨在通过上述多个领域中模型与算法的交叉融合，形成国际领先的传染病时空传播风险评估与预测理论。

数据驱动的管理与决策已经渐渐成为学术界和工业界的研究热点。本项目围绕数据科学的基础理论，针对大数据4V特征中的数据类型多样性，率先提出了数据对象的统一化的表示与描述方法，分析了不同类型的数据对象之间的关系，并指出广义时空数据的重要性。围绕晶格型广义时空数据和图/网络型广义时空数据，本项目拟开发深度时空学习网络，实现晶格型广义时空数据的分解与融合；开发动态图卷积神经网络，用于图/网络型广义时空数据的建模与预测；研究面向广义时空约束的多任务学习机制，用于输出端广义时空数据的分析与处理。本项目拟将上述研究成果应用于城市多模态交通需求量的联合预测，城市居民流动性建模分析等智慧城市和共享经济领域的核心商业问题，为城市公共交通规划、共享单车运作管理、出租车路径优化等问题提供数据依据与决策支持。综上，本项目探索了数据科学的基础理论，丰富了数据挖掘的方法工具，具有重要的理论意义和实际应用价值。