11.21 結束語

本文針對交通流的網絡性、異質性和動態性特點，結合當前多任務學習方法的不足提出了相應的解決方案。然而，在實際的應用場景中還存在更多的挑戰，需要進一步深入的研究方向包括：① 高維任務的共同學習方法。在高維數據場景下，任務也體現出高維的特點，其中的難點在于高維任務中所蘊含的關系模式更為復雜，這種關系可能是聚類模式，甚至層次模式無法刻畫的。如何解決高維任務場景下的多任務共同學習的問題是未來需要深入研究的方向之一。② 數據延遲或缺失下的多任務學習。在交通應用場景中，交通流采集數據由于上傳不及時或數據包丟失等原因，常常造成數據延遲或缺失的情況，這對高速公路交通決策支持系統的分析帶來極大的挑戰。當數據延遲或缺失較為嚴重時，多任務學習的精度將大幅受損，模型甚至無法使用。因此，如何能夠對具有延遲和缺失特點的數據進行多任務學習建模是未來需要深入研究的另一個方向。