11.21 结束语

本文针对交通流的网络性、异质性和动态性特点，结合当前多任务学习方法的不足提出了相应的解决方案。然而，在实际的应用场景中还存在更多的挑战，需要进一步深入的研究方向包括：① 高维任务的共同学习方法。在高维数据场景下，任务也体现出高维的特点，其中的难点在于高维任务中所蕴含的关系模式更为复杂，这种关系可能是聚类模式，甚至层次模式无法刻画的。如何解决高维任务场景下的多任务共同学习的问题是未来需要深入研究的方向之一。② 数据延迟或缺失下的多任务学习。在交通应用场景中，交通流采集数据由于上传不及时或数据包丢失等原因，常常造成数据延迟或缺失的情况，这对高速公路交通决策支持系统的分析带来极大的挑战。当数据延迟或缺失较为严重时，多任务学习的精度将大幅受损，模型甚至无法使用。因此，如何能够对具有延迟和缺失特点的数据进行多任务学习建模是未来需要深入研究的另一个方向。