论文阅读

准确、实时的交通预测在智能交通系统中发挥着重要作用，对城市交通规划、交通管理和交通控制具有重要意义。但由于受城市路网拓扑结构和随时间动态变化规律的限制，即空间依赖性和时间依赖性，交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间依赖性和时间依赖性，我们提出了一种新型的基于神经网络的交通预测方法，即图卷积网络（GCN）和门控递归单元（GRU）相结合的时间图卷积网络（T-GCN）模型。具体来说，GCN用于学习复杂的拓扑结构以捕捉空间依赖性，门控递归单元用于学习流量数据的动态变化以捕捉时间依赖性。然后，采用T-GCN模型进行基于城市路网的交通预测。实验表明，我们的T-GCN模型可以从交通数据中捕获时空相关性，并且在实际交通数据集上的预测结果优于最新的基准模型。我们的T-GCN的Tensorflow实现见https://github.com/lehaifeng/T-GCN。

全世界的地理信息系统从业人员享有越来越多的自由和开源软件（FOSS)选择。这种软件扩大了地理信息系统在经济发展中国家的使用范围，同时促进了当地技术专长的发展。本文回顾了南美洲对FOSS GIS的吸收和宣传，特别是它与该地区对自由和开放源码软件的政治友好气氛的关系。在南美洲面向公众的网络地图中评估了自由和开放源码软件GIS的使用与否，首先是在国家政府一级，然后是以阿根廷为研究对象的省一级。然后总结了南美洲围绕FOSS GIS的地方技术支持小组和软件开发方案。最后，介绍了在地方一级建立FOSS GIS技术社区的三个案例研究：FOSSGIS Brasil在线杂志、Geoinquietos Argentina professional network（地理信息学阿根廷职业网络）和巴西的FOSS.4GIS.GOV会议。对这些团体的领导人、动态和做法的研究，可以为世界各地处于类似情况下的为促进FOSS GIS的采用、发展、技能和服务而努力的其他团体提供参考。

根据基础设施和土地使用信息预测通勤流量对于城市规划和公共政治发展至关重要。然而，由于通勤流的复杂模式，这是一项具有挑战性的任务。传统的模型，如重力模型，主要是从物理学原理中得出的，在现实世界中需要考虑很多因素的情况下，其预测能力有限。同时，现有大多数机器学习的方法忽略了空间相关性，没有对区域间的依赖关系进行建模。为了解决这些问题，我们提出了Geo-contextual Multitask Embedding Learner(GMEL)，一个从地理上下文信息中捕捉空间相关性的模型，用于通勤流量预测。具体来说，我们首先构建了一个包含地理上下文信息的地理适应性网络。然后，提出了一种基于图注意力网络（GAT）框架的注意力机制，以捕捉空间相关性，并将地理环境信息编码到嵌入空间。两种不同的GAT分别用来模拟供给和需求的特征。 为了提高嵌入表示的有效性，多任务学习框架用于引入更强的限制，迫使嵌入向量封装了对于流量预测的有效表示。最后，基于学习到的Embeddings训练梯度提升机来预测换乘流量。我们使用纽约市的真实世界数据集来评估我们的模型，实验结果表明了我们所提出的方法与现有技术的有效性。

预测时空网络中的流量（如车辆、人群和自行车的流量），包括一个节点的进出流量和不同节点之间的转换，在交通系统中起着重要作用。然而，这是一个非常具有挑战性的问题，受多种复杂因素的影响，如不同地点之间的空间相关性，不同时间间隔之间的时间相关性，以及外部因素（如事件和天气）。此外，节点上的流量（称为节点流）和节点之间的过渡（边缘流）相互影响。为了解决这些问题，我们提出了一个多任务深度学习框架，同时预测整个时空网络的节点流和边缘流。基于全卷积网络，我们的方法设计了两个复杂的模型，分别用于预测节点流和边缘流。这两个模型通过耦合它们的中间层的潜伏表征来连接，并一起训练。外部因素也通过门控融合机制整合到框架中。在边缘流预测模型中，我们采用了一个嵌入组件来处理节点之间的稀疏过渡。我们基于北京和纽约市的出租车数据对我们的方法进行了评估。实验结果表明，我们的方法具有超越ConvLSTM、CNN和Markov Random Field等11种基准的优势。