01. 成果簡介

隨著移動計算、傳感器網絡和科學觀測設備等新技術在經濟社會各領域的廣泛應用，特別是監控、遙感、定位等技術的崛起，人們獲得了海量的時空數據。時空數據分布于連續空間，并且隨著時間動態變化，具有十分復雜的模式規律。例如，衛星遙感數據和雷達回波數據是廣泛應用于氣象觀測和軍事偵察的時空數據，在連續的衛星掃描或雷達觀測過程中，形成時間軸上的一系列遙感圖像或回波影像，反映三維地理空間中某種觀測物理量的變化規律。視頻監控、醫學影像、氣象預報、環境監測等很多應用領域都涉及時空數據預測和識別任務，在問題求解過程中需要同時考察時間和空間兩方面因素，存在時間上的非平穩性和空間上的高維相關性兩大技術難題。

本成果創新大數據深度學習技術，從復雜、海量、高維、非平穩的時空數據中識別重要的時空模式，挖掘在時間和空間上的變化規律，并對未來的時空演變趨勢進行預測，形成了時空數據預測和識別的深度學習技術（如圖1所示）。具體包括：

·        提出卷積結構與循環結構深度融合的統一建模方法，學習高維度、非線性時空特征表示，挖掘空間關聯結構與時間動態信息；

·        提出時空記憶單元和回憶機制，對時空非線性、非平穩性變化進行預測學習；

·        提出時空數據的遷移學習技術，降低時空分布差異，實現知識的跨時空遷移。

該技術尤其擅長捕捉高維度、非平穩時空數據的非線性變化規律，例如多物體對象在空間和時間上的“產生、消亡、運動、形變“等復雜時空數據場景。與同類技術相比，運行時間短，預測和識別精度高，在國際上處于整體先進、部分領先的水平。

圖1. 用于時空數據預測和識別的循環神經網絡架構及其時空記憶單元

圖2. 本成果技術（時空數據預測與識別）在北京交通流量預測任務上的效果

02. 應用前景

該技術成熟度高，部分成果已經以線上系統的形態成功應用于中國氣象部門強對流天氣預報業務中，與國內現有極端天氣預報業務系統相比，該技術將雷達回波外推預報準確率平均提高了45%，其中高強度雷達回波外推預報準確率提高了353%，處于國際先進水平。氣象災害中70%以上是由雷暴大風、下擊暴流等強對流天氣導致，致死人數占自然災害死亡人數的93%，因此該技術在避免人員傷亡、實現財產保全、減少農業損失方面產生顯著的社會經濟效益。同時，該技術還可廣泛應用于時空數據的預測和識別場景，在關系國計民生的氣象、環保、交通等領域可以發揮重要作用，應用前景廣闊。例如，采用該技術可實現未來交通流量時空分布的精準預測（如圖2）。該項成果還入選了2018年首屆數字中國建設峰會，為杭州G20峰會、廈門金磚會晤、中國國際進口博覽會等提供了精準預報支持，獲得2018年教育部技術發明一等獎和2018年中國氣象學會科技進步獎一等獎。

03. 知識產權

本項成果已獲得發明專利授權6項。

04. 團隊介紹

本成果團隊長期研究大數據管理與分析技術，包括分布式數據存儲與查詢、深度學習與遷移學習、業務過程挖掘、數據質量治理等方向。團隊負責人為王建民教授、軟件學院院長，機器學習小組組長為龍明盛副教授。團隊在本領域發表國際學術論文100余篇，申請專利100余項，授權專利60余項。相關成果獲2018年教育部技術發明一等獎、2018年中國氣象學會科技進步一等獎、2014年國家科技進步二等獎、2013年中國電子學會科技進步一等獎、2012年教育部科技進步一等獎等獎勵。

05. 合作方式

技術許可 / 軟件服務。