【优博微展2018】顾维玺：高维感知数据的信息提取与应用

顾维玺：2018年清华大学优秀博士学位论文二等奖获得者

高维感知数据的信息提取与应用

作       者：顾维玺          

指导教师：张林

培养院系：清华-伯克利深圳学院         

学       科：通信与信息工程

读博感言：Time the research pain is temporary, has not learned the pain is life-long

研究背景/选题意义/研究价值

随着普适计算技术和群智感知技术的日渐成熟，各种移动大数据悄然而生，为动态行为研究带来了前所未有的机遇与挑战。虽然现有的一些统计学习方法在处理利用移动数据方面已经取得了很大的突破，但是由于隐含的高维异构数据以及移动数据固有不确定性，这些方法的性能仍然有待提高。针对高维移动感知数据的固有问题，本文提出了一套针对特征流选择以及高维度数据建模的突破性解决方案。

主要研究内容

1. 针对高维时序移动数据，论文提出了具有基数约束的有向信息最大化 (DI Maximization)的特征选择方案，从多个时间序列中识别出因果特征流。

2. 针对群体感知数据的高维异构性，论文提出了多维度深度动态递归神经网络 (Md3RNN)，它能够自动学习群体相似度，全面模拟多人共性动态特征，并且从有限的个人训练集中有效地表征出每个人的动态特性。

3. 利用上述提出的因果特征提取方法以及神经网络方法，论文讨论了两项有关智能交通的人类动态行为研究方案。针对地下定位难问题，设计了一套基于地下移动定位的解决方案，针对骑行者的出行安全问题，设计了监测平台。理论分析和实验结果均表明，所提出的系统均优于现有技术。 

因果特征流选择

Md3RNN 模型

主要创新点

1. 针对感知数据的时序因果依赖性，论文将源特征选择抽象成有向信息最大化问题，并使用贪心算法进行求解。证明了对应算法的理论误差界。

2. 针对感知数据的高维异构型，论文分别从群体、个人以及时序的角度对感知数据进行建模，基于多任务训练模型（Multi-task learning）和循环网络(Recurrent Neural Network)提出了Md3RNN 模型，可以很好地刻画出群智感知数据的高维非线性结构。

3. 利用源特征选择方法以及Md3RNN 模型，论文利用移动数据进行地下乘客实时定位以及骑行者出行安全跟踪，有效地解决了传统交通的壁垒和问题，提高了交通的安全与可规划性。

代表性学术发表

1. [IMWUT & Ubicomp’17]  "SugarMate: Non-  intrusive Blood Glucose Monitoring with Smartphones”.

2. [TRC] "Measuring Fine-grained Metro Interchange Time via Smartphones".

3. [MobiQuitous’17]  “BikeMate: Bike Riding Behavior Monitoring with Smartphones”.

4. [MobiQuitous’16] “MetroEye: Smart Tracking Your Metro Trips Underground"

5. [Sensys’17] “Predicting Blood Glucose Dynamics with Multi-time-series Deep Learning.” 

6. [IPSN’17] “Non-intrusive blood glucose monitor by multi-task deep learning: PhD forum abstract”

作者：顾维玺

供图：顾维玺

编辑：清华大学研究生院  周明坤  吴佳瑛 李文