由于智能交通系统的快速发展（其）和道路上车辆数量的趋势，增加了丰富的道路交通数据。了解来自此数据的时空流量模式至关重要，并且已经有效帮助交通规划，道路结构等。然而，在Covid-19流行期间了解交通模式是非常具有挑战性的，因为有巨大的差异人民和车辆的旅行行为模式。在本文中，进行了一个案例研究以了解Covid-19期间的时空交通模式的变化。我们将非负矩阵分解（NMF）应用于引出模式。基于2019年和2020年期间观察到的时空模式行为，分析了NMF模型输出，该行为分别在大熊血和大流行情况下，在英国。分析的时空交通模式变化行为的产出将在智能运输系统中的交通管理领域和大流行或不可避免的情景阶段与道路交通的不同阶段的管理。

在清晨预测交通动态时，传统交通预测方法的有效性通常非常有限。原因是在清晨通勤期间交通可能会彻底分解，这个分解的时间和持续时间大幅度从日常生活中变化。清晨的交通预测是通知午餐的交通管理至关重要，但他们通常会提前预测，特别是在午夜预测。在本文中，我们建议将Twitter消息作为探测方法，了解在前一天晚上/午夜的人们工作和休息模式的影响到下一天的早晨交通。该模型在匹兹堡的高速公路网络上进行了测试，作为实验。由此产生的关系令人惊讶地简单且强大。我们发现，一般来说，早些时候的人休息如推文所示，即第二天早上就越拥挤的道路就越多。之前的大事发生了大事，由更高或更低的Tweet情绪表示，比正常，通常意味着在第二天早上的旅行需求较低。此外，人们在前一天晚上和清晨的鸣叫活动与早晨高峰时段的拥堵有统计学相关。我们利用这种关系来构建一个预测框架，预测早晨的通勤充血使用5时或早晨午夜提取的人的推特型材。匹兹堡研究支持我们的框架可以精确预测早晨拥塞，特别是对于具有大型日常充血变异的道路瓶颈上游的一些道路段。我们的方法在没有Twitter消息功能的情况下大大差异，可以从提供管理洞察力的推文配置文件中学习有意义的需求表示。

通过深度学习（DL）优于不同任务的常规方法，已经努力利用DL在各个领域中使用。交通域中的研究人员和开发人员还为预测任务（例如交通速度估算和到达时间）设计和改进了DL模型。但是，由于DL模型的黑盒属性和流量数据的复杂性（即时空依赖性），在分析DL模型方面存在许多挑战。我们与域专家合作，我们设计了一个视觉分析系统Attnanalyzer，该系统使用户能够探索DL模型如何通过允许有效的时空依赖性分析来进行预测。该系统结合了动态时间扭曲（DTW）和Granger因果关系测试，用于计算时空依赖性分析，同时提供映射，表格，线图和像素视图，以帮助用户执行依赖性和模型行为分析。为了进行评估，我们提出了三个案例研究，表明Attnanalyzer如何有效地探索模型行为并改善两个不同的道路网络中的模型性能。我们还提供域专家反馈。

COVID-19的大流行提出了对多个领域决策者的流行预测的重要性，从公共卫生到整个经济。虽然预测流行进展经常被概念化为类似于天气预测，但是它具有一些关键的差异，并且仍然是一项非平凡的任务。疾病的传播受到人类行为，病原体动态，天气和环境条件的多种混杂因素的影响。由于政府公共卫生和资助机构的倡议，捕获以前无法观察到的方面的丰富数据来源的可用性增加了研究的兴趣。这尤其是在“以数据为中心”的解决方案上进行的一系列工作，这些解决方案通过利用非传统数据源以及AI和机器学习的最新创新来增强我们的预测能力的潜力。这项调查研究了各种数据驱动的方法论和实践进步，并介绍了一个概念框架来导航它们。首先，我们列举了与流行病预测相关的大量流行病学数据集和新的数据流，捕获了各种因素，例如有症状的在线调查，零售和商业，流动性，基因组学数据等。接下来，我们将讨论关注最近基于数据驱动的统计和深度学习方法的方法和建模范式，以及将机械模型知识域知识与统计方法的有效性和灵活性相结合的新型混合模型类别。我们还讨论了这些预测系统的现实部署中出现的经验和挑战，包括预测信息。最后，我们重点介绍了整个预测管道中发现的一些挑战和开放问题。

COVID-19的传播表明，在不同的城市和社区之间，传播风险模式不是同质的，各种异质特征会影响传播轨迹。因此，对于预测性大流行监测，至关重要的是，在城市和社区中探索潜在的异质特征，以区分其特定的大流行扩散轨迹。为此，这项研究创建了一个网络嵌入模型，捕获跨县的访问网络以及异质特征，以根据其大流行传播轨迹来发现美国县的集群。我们从3月3日至2020年6月29日（初始波浪）收集了2,787个县的位置智能特征。其次，我们构建了一个人类访问网络，该网络将县特征作为节点属性和县之间的访问作为网络边缘。我们的归因网络嵌入方法整合了跨县访问网络的类型学特征以及异质性特征。我们对属性网络嵌入进行了聚类分析，以揭示与四个县群相对应的差异风险轨迹的四种原型。随后，我们确定了四个功能是原型之间独特的传输风险模式的重要特征。归因的网络嵌入方法和发现识别并解释了整个县的非殖民性大流行风险轨迹进行预测性大流行监测。这项研究还为大流行分析的基于数据驱动和深度学习的方法有助于补充大流行病政策分析的标准流行病学模型。

As ride-hailing services become increasingly popular, being able to accurately predict demand for such services can help operators efficiently allocate drivers to customers, and reduce idle time, improve congestion, and enhance the passenger experience. This paper proposes UberNet, a deep learning Convolutional Neural Network for short-term prediction of demand for ride-hailing services. UberNet empploys a multivariate framework that utilises a number of temporal and spatial features that have been found in the literature to explain demand for ride-hailing services. The proposed model includes two sub-networks that aim to encode the source series of various features and decode the predicting series, respectively. To assess the performance and effectiveness of UberNet, we use 9 months of Uber pickup data in 2014 and 28 spatial and temporal features from New York City. By comparing the performance of UberNet with several other approaches, we show that the prediction quality of the model is highly competitive. Further, Ubernet's prediction performance is better when using economic, social and built environment features. This suggests that Ubernet is more naturally suited to including complex motivators in making real-time passenger demand predictions for ride-hailing services.

通过准确，及时的流量预测，可以预先预测受影响的交通状况，以指导机构和居民适当地应对交通模式的变化。但是，例如，关于交通预测的现有作品主要依赖于仅在1小时以下的短期预测的历史流量模式。为了更好地管理未来的道路能力并适应社会和人类的影响，提出一个灵活而全面的框架以预测公共用户和运输机构的长期交通状况至关重要。在本文中，考虑到社交媒体的功能，弥合了强大的长期交通预测的差距。首先实施了相关研究和线性回归模型，以评估两个时间序列数据，流量强度和Twitter数据强度之间的相关性的重要性。然后将两个时间序列数据提供给我们提出的社会意识框架，即交通扭转变压器，该框架将大自然语言表示形式集成到时间序列记录中以进行长期流量预测。大西雅图地区的实验结果表明，我们提出的模型在所有评估矩阵中都优于基线模型。这个由NLP加入的社会感知框架可以成为交通代理机构的网络交通预测和管理的宝贵实现。

Deep learning approaches for spatio-temporal prediction problems such as crowd-flow prediction assumes data to be of fixed and regular shaped tensor and face challenges of handling irregular, sparse data tensor. This poses limitations in use-case scenarios such as predicting visit counts of individuals' for a given spatial area at a particular temporal resolution using raster/image format representation of the geographical region, since the movement patterns of an individual can be largely restricted and localized to a certain part of the raster. Additionally, current deep-learning approaches for solving such problem doesn't account for the geographical awareness of a region while modelling the spatio-temporal movement patterns of an individual. To address these limitations, there is a need to develop a novel strategy and modeling approach that can handle both sparse, irregular data while incorporating geo-awareness in the model. In this paper, we make use of quadtree as the data structure for representing the image and introduce a novel geo-aware enabled deep learning layer, GA-ConvLSTM that performs the convolution operation based on a novel geo-aware module based on quadtree data structure for incorporating spatial dependencies while maintaining the recurrent mechanism for accounting for temporal dependencies. We present this approach in the context of the problem of predicting spatial behaviors of an individual (e.g., frequent visits to specific locations) through deep-learning based predictive model, GADST-Predict. Experimental results on two GPS based trace data shows that the proposed method is effective in handling frequency visits over different use-cases with considerable high accuracy.

由于精确定位传感器，人工智能（AI）的安全功能，自动驾驶系统，连接的车辆，高通量计算和边缘计算服务器的技术进步，驾驶安全分析最近经历了前所未有的改进。特别是，深度学习（DL）方法授权音量视频处理，从路边单元（RSU）捕获的大型视频中提取与安全相关的功能。安全指标是调查崩溃和几乎冲突事件的常用措施。但是，这些指标提供了对整个网络级流量管理的有限见解。另一方面，一些安全评估工作致力于处理崩溃报告，并确定与道路几何形状，交通量和天气状况相关的崩溃的空间和时间模式。这种方法仅依靠崩溃报告，而忽略了交通视频的丰富信息，这些信息可以帮助确定违规行为在崩溃中的作用。为了弥合这两个观点，我们定义了一组新的网络级安全指标（NSM），以通过处理RSU摄像机拍摄的图像来评估交通流的总体安全性。我们的分析表明，NSM显示出与崩溃率的显着统计关联。这种方法与简单地概括单个崩溃分析的结果不同，因为所有车辆都有助于计算NSM，而不仅仅是碰撞事件所涉及的NSM。该视角将交通流量视为一个复杂的动态系统，其中某些节点的动作可以通过网络传播并影响其他节点的崩溃风险。我们还提供了附录A中的代孕安全指标（SSM）的全面审查。

时空人群流量预测（STCFP）问题是一种经典问题，具有丰富的现有研究工作，这些努力受益于传统的统计学习和最近的深度学习方法。虽然STCFP可以参考许多现实世界问题，但大多数现有研究都侧重于相当特定的应用，例如预测出租车需求，乘资顺序等。这会阻碍STCFP研究作为针对不同应用的方法几乎没有比较，因此如何将应用驱动的方法概括为其他场景尚不清楚。要填补这一差距，这篇论文进行了两项努力：（i）我们提出了一个叫做STANALYTIC的分析框架，以定性地调查其关于各种空间和时间因素的设计考虑的STCFP方法，旨在使不同的应用驱动的方法进行不同的方法; （ii）（ii）我们构建一个广泛的大型STCFP基准数据集，具有四种不同的场景（包括RideSharing，Bikesharing，Metro和电动车辆充电），其流量高达数亿个流量记录，以定量测量STCFP方法的普遍性。此外，为了详细说明STANalytic在帮助设计上推广的STCFP方法方面的有效性，我们提出了一种通过整合STANALYTIC鉴定的可推广的时间和空间知识来提出一种称为STETA的时空元模型。我们利用不同的深度学习技术实施STMETA的三种变体。通过数据集，我们证明Stmeta变体可以优于最先进的STCFP方法5％。

旅行者可能会前往他们从未访问过的地点，我们将其称为潜在的目的地。尤其是在非常有限的观察结果下，旅行者倾向于显示随机运动模式，并且通常具有大量潜在目的地，这使得它们难以处理移动性预测（例如，目的地预测）。在本文中，我们开发了一个新的基于知识图的框架（PDPFKG），以通过考虑旅行之间的关联关系来潜在的目的地发现低可预测性旅行者。我们首先构建了旅行知识图（TKG），以通过实体（例如旅行者，目的地和时间信息）及其关系对旅行方案进行建模，我们在其中介绍了私人关系的概念以减少复杂性。然后，实现了修改的知识图嵌入算法以优化整体图表。根据Trip知识图嵌入模型（TKGEM），可以通过计算三元组的距离来获得个人未来未观察到的目的地的可能排名。经验。 PDPFKG使用来自中国Xuancheng City配备基于视频的车辆检测系统的138个交叉口的匿名车辆数据集进行了测试。结果表明，（i）所提出的方法显着优于基线方法，并且（ii）结果在选择潜在目的地中表现出与旅行者行为的强烈一致性。最后，我们对方法论的创新点进行了全面讨论。

The node-place model has been widely used to classify and evaluate transit stations, which sheds light on individual travel behaviors and supports urban planning through effectively integrating land use and transportation development. This article adapts this model to investigate whether and how node, place, and mobility would be associated with the transmission risks and presences of the local COVID-19 cases in a city. Similar studies on the model and its relevance to COVID-19, according to our knowledge, have not been undertaken before. Moreover, the unique metric drawn from detailed visit history of the infected, i.e., the COVID-19 footprints, is proposed and exploited. This study then empirically uses the adapted model to examine the station-level factors affecting the local COVID-19 footprints. The model accounts for traditional measures of the node and place as well as actual human mobility patterns associated with the node and place. It finds that stations with high node, place, and human mobility indices normally have more COVID-19 footprints in proximity. A multivariate regression is fitted to see whether and to what degree different indices and indicators can predict the COVID-19 footprints. The results indicate that many of the place, node, and human mobility indicators significantly impact the concentration of COVID-19 footprints. These are useful for policy-makers to predict and monitor hotspots for COVID-19 and other pandemics transmission.

In 2021 300 mm of rain, nearly half the average annual rainfall, fell near Catania (Sicily island, Italy). Such events took place in just a few hours, with dramatic consequences on the environmental, social, economic, and health systems of the region. This is the reason why, detecting extreme rainfall events is a crucial prerequisite for planning actions able to reverse possibly intensified dramatic future scenarios. In this paper, the Affinity Propagation algorithm, a clustering algorithm grounded on machine learning, was applied, to the best of our knowledge, for the first time, to identify excess rain events in Sicily. This was possible by using a high-frequency, large dataset we collected, ranging from 2009 to 2021 which we named RSE (the Rainfall Sicily Extreme dataset). Weather indicators were then been employed to validate the results, thus confirming the presence of recent anomalous rainfall events in eastern Sicily. We believe that easy-to-use and multi-modal data science techniques, such as the one proposed in this study, could give rise to significant improvements in policy-making for successfully contrasting climate changes.

Spatio-temporal modeling as a canonical task of multivariate time series forecasting has been a significant research topic in AI community. To address the underlying heterogeneity and non-stationarity implied in the graph streams, in this study, we propose Spatio-Temporal Meta-Graph Learning as a novel Graph Structure Learning mechanism on spatio-temporal data. Specifically, we implement this idea into Meta-Graph Convolutional Recurrent Network (MegaCRN) by plugging the Meta-Graph Learner powered by a Meta-Node Bank into GCRN encoder-decoder. We conduct a comprehensive evaluation on two benchmark datasets (METR-LA and PEMS-BAY) and a large-scale spatio-temporal dataset that contains a variaty of non-stationary phenomena. Our model outperformed the state-of-the-arts to a large degree on all three datasets (over 27% MAE and 34% RMSE). Besides, through a series of qualitative evaluations, we demonstrate that our model can explicitly disentangle locations and time slots with different patterns and be robustly adaptive to different anomalous situations. Codes and datasets are available at https://github.com/deepkashiwa20/MegaCRN.

最近，深度学习方法在交通预测方面取得了长足的进步，但它们的性能取决于大量的历史数据。实际上，我们可能会面临数据稀缺问题。在这种情况下，深度学习模型无法获得令人满意的性能。转移学习是解决数据稀缺问题的一种有前途的方法。但是，流量预测中现有的转移学习方法主要基于常规网格数据，这不适用于流量网络中固有的图形数据。此外，现有的基于图的模型只能在道路网络中捕获共享的流量模式，以及如何学习节点特定模式也是一个挑战。在本文中，我们提出了一种新颖的传输学习方法来解决流量预测，几乎可以将知识从数据富的源域转移到数据范围的目标域。首先，提出了一个空间图形神经网络，该网络可以捕获不同道路网络的节点特异性时空交通模式。然后，为了提高转移的鲁棒性，我们设计了一种基于模式的转移策略，我们利用基于聚类的机制来提炼源域中的常见时空模式，并使用这些知识进一步提高了预测性能目标域。现实世界数据集的实验验证了我们方法的有效性。

可靠的交通流量预测对于创建智能运输系统至关重要。已经开发出许多基于大数据的预测方法，但他们在考虑时间和地点的道路之间没有反映复杂的动态相互作用。在这项研究中，我们提出了一种动态定位的长短期记忆（LSTM）模型，涉及道路之间的空间和时间依赖。为此，我们使用局部动态空间权重矩阵以及其动态变化。此外，LSTM模型可以处理具有长依赖性的顺序数据以及复杂的非线性功能。经验结果表明，与两种不同的基线方法相比，所提出的模型的卓越预测性能。

缺少数据是数据驱动的智能运输系统（ITS）中不可避免且常见的问题。在过去的十年中，学者们对丢失的流量数据的恢复进行了许多研究，但是如何充分利用时空交通模式以改善恢复性能仍然是一个开放的问题。针对流量速度数据的时空特征，本文将缺失数据的恢复视为矩阵完成问题，并根据隐藏的功能分析提出了一种时空的交通数据完成方法，该方法发现时空模式和基础模式从不完整数据的结构完成恢复任务。因此，我们引入空间和时间相关性，以捕获每个维度的主要基础特征。最后，这些潜在功能通过潜在功能分析应用于恢复流量数据。实验和评估结果表明，模型的评估标准值很小，这表明该模型具有更好的性能。结果表明该模型可以准确估计连续缺少的数据。

交通预测模型依赖需要感测，处理和存储的数据。这需要部署和维护交通传感基础设施，往往导致不适合的货币成本。缺乏感测的位置可以与合成数据模拟相辅相成，进一步降低交通监测所需的经济投资。根据类似道路的数据分布，其中最常见的数据生成方法之一包括产生实际的流量模式。检测具有相似流量的道路的过程是这些系统的关键点。但是，在不收集目标位置收集数据，没有用于该相似性的搜索可以使用流量度量。我们提出了一种通过检查道路段的拓扑特征来发现具有可用流量数据的方法的方法。相关的拓扑功能被提取为数值表示（嵌入式）以比较不同的位置，并最终根据其嵌入之间的相似性找到最相似的道路。检查该新颖选择系统的性能，并与更简单的流量估计方法进行比较。找到类似的数据源后，使用生成方法来合成流量配置文件。根据感知道路的交通行为的相似性，可以使用一条路的数据来馈送生成方法。在合成样品的精度方面分析了几种代理方法。最重要的是，这项工作打算促进进一步的研究努力提高综合交通样本的质量，从而降低对传感基础设施的需求。

Efficient energy consumption is crucial for achieving sustainable energy goals in the era of climate change and grid modernization. Thus, it is vital to understand how energy is consumed at finer resolutions such as household in order to plan demand-response events or analyze the impacts of weather, electricity prices, electric vehicles, solar, and occupancy schedules on energy consumption. However, availability and access to detailed energy-use data, which would enable detailed studies, has been rare. In this paper, we release a unique, large-scale, synthetic, residential energy-use dataset for the residential sector across the contiguous United States covering millions of households. The data comprise of hourly energy use profiles for synthetic households, disaggregated into Thermostatically Controlled Loads (TCL) and appliance use. The underlying framework is constructed using a bottom-up approach. Diverse open-source surveys and first principles models are used for end-use modeling. Extensive validation of the synthetic dataset has been conducted through comparisons with reported energy-use data. We present a detailed, open, high-resolution, residential energy-use dataset for the United States.

现代时间序列数据集通常是高维，不完整/稀疏和非组织的。这些属性阻碍了时间序列预测和分析的可扩展和高效解决方案的开发。为了应对这些挑战，我们提出了一个非平稳的时间矩阵分解（NOTMF）模型，其中使用矩阵分解来重建整个时间序列矩阵和矢量自回旋（var）过程，该过程施加在适当差异的时间因子矩阵的副本上。这种方法不仅保留了数据的低级属性，还提供了一致的时间动力。 NOTMF的学习过程涉及两个因子矩阵和VAR系数矩阵集合的优化。为了有效地解决优化问题，我们得出了一个交替的最小化框架，其中使用共轭梯度和最小二乘方法来解决子问题。特别是，使用共轭梯度方法提供了有效的例程，并允许我们在大规模问题上应用NOTMF。通过对Uber运动速度数据集进行的广泛实验，我们证明了NOTMF的卓越准确性和有效性，而不是其他基线模型。我们的结果还证实了解决现实世界中时间序列数据（如时空交通流/速度）的非平稳性的重要性。