为了更广泛地与全球高校科研人员合作与交流，以推动前沿技术创新、解决行业挑战为目标，中国计算机学会（CCF）-滴滴大数据联合实验室发布“盖亚青年学者科研基金”，旨在积极支持青年学者开展前沿科研工作，通过良好的合作机制，助力产学研发展。依托滴滴出行平台，为广大青年学者提供最真实的业务场景、脱敏数据与计算资源，促进高质量学术成果的产出，加速研究成果的产业落地与应用。
以“AIforTransportation”为主题的第四期盖亚青年学者科研基金项目火热申报中，申报书提交截止日期为01年5月4日，申报结果将于01年6月发布。本期我们将介绍地理信息专题方向课题，希望各位学者可以找到与自己研究方向匹配的研究方向。
系列目录：开放申报第四期盖亚青年学者科研基金项目启动通知解读
第四期盖亚青年学者科研基金课题：机器学习篇解读
第四期盖亚青年学者科研基金课题：强化学习篇
3
地理信息
课题一：基于多任务多目标的深度神经网络地图搜索排序模型课题二：GPS缺失场景的环境感知与位置追踪课题三：基于路况预测的自回归ETA问题探索课题四：动态跨图信息融合在滴滴中的应用课题五：多模态技术在交通异常检测中的应用课题六：基于代驾司机骑行历史数据的自迭代骑行路径规划系统课题一：基于多任务多目标的深度神经网络地图搜索排序模型
▍课题背景：相较传统搜索排序系统，POI检索带来了信息检索技术研究中新的挑战，例如：用户检索通常基于移动设备完成，因此检索系统需要具有处理简短乃至错误查询的能力；用户的搜索目标与用户当前的位置、用户的出行轨迹等密切相关，因此检索系统需要综合考虑多方面上下文信息，更为复杂。提升POI检索的性能能够优化用户的搜索体验，对网约车等基于位置的服务十分重要。
▍研究目标：构建高效准确的POI检索系统，提升线下线上的评价指标，优化用户搜索体验，提升网约车等服务的成功率。
课题二：GPS缺失场景的环境感知与位置追踪
▍课题背景：定位是LBS领域的基础能力，目前在滴滴网约车、自驾等场景中，定位方向仍面临着很多的难题待解决。城市峡谷中，gnss漂移，需要提供更精准的纠偏位置，避免推荐上车点过远、跨路、司机偏航等问题；在高架、隧道类遮挡场景，gnss长时间丢失，结合车辆航位推算、融合定位等技术，为司机提供更可靠的位置服务；在室内场景，需要结合基站、wifi等网络信息提供尽可能可靠的定位。
▍研究目标：车辆航位推算技术基于多种边缘端的传感器数据，采用物理模型、机器学习算法等方式，推算车辆位置1）准确率：10s推算的速度准确率、角度准确率、位置准确率；）导航卡顿率：订单维度，统计轨迹的卡顿情况。
课题三：基于路况预测的自回归ETA问题探索
▍课题背景：ETA被广泛应用于滴滴线上预估价、分单、接驾、导航等场景，常用的优化方式是端到端训练。一种简单的方式是使用历史路况特征进行预测后，再依据推演的方式进行逐步推算总时间。然而这种方式会收到累计误差的影响，整体效果较差。因此,如何充分利用端到端模型的优化，结合历史路况信息进行自回归，成为提升路况变化情景下ETA准确率的重要途径。
▍研究目标：整体全局的ETA准确率提升(MAE,MAPE,badcase等)；
路况变化条件下的ETA准确率提升；
节假日与异常天气场景下的ETA准确率提升。
课题四：动态跨图信息融合在滴滴中的应用
▍课题背景：滴滴业务具有业务众多、数据分散、差异度大等特点，如何利用地理数据、搜索数据、用户行为数据等多种异构数据，将其中包含的信息表达在推荐算法中是一个核心问题。滴滴地图算法演进至今，通用的特征抽取与融合方法已基本完备，继续优化边际效益递减。举例而言，地理信息一般以特征形式服务于有监督学习模型。但优化有监督学习目标难以概括数据中所蕴含动态的隐式结构，比如（早晚高峰、节假日、异常天气等）POI与周边link关系，城市道路拥堵促发导流效应等。
利用图表示学习和跨图信息融合是解决该问题重要手段。基于图表示学习构建用户行为模型，以及引入时序点过程发现行为序列中随机性关系，可以优化行为序列模型效果。基于跨域/跨图学习，可以表达用户不同业务间兴趣迁移关系，优化跨业务相关关系的发现。
▍研究目标：构建数据与业务目标驱动的多维度动态异构图模型，例如，充分利用用户行为和POI/deal属性信息。构建异构图的有效节点表示模型及相关链接预测与归因技术。探索跨图/域的结构化信息融合理论与方法。
课题五：多模态技术在交通异常检测中的应用
▍课题背景：现实交通物理世界经常出现各种原因的异常情况，例如临时施工管制、大雾高速封闭、交通事故等，及时、准确、全面地检测出这些异常对于滴滴导航和用户生态具有重大价值。滴滴生态场景下具有用户轨迹、桔视图像、用户上报等多种信息，这类信息背后包含了动态交通情况，通过多源数据检测交通异常已经成为业界主流思路。但是这其中面临着多模态异构数据之间的对齐、映射、模态缺失等挑战，以及多模态知识如何融合的问题。通过多模态信息实现对交通异常更加高效的感知，可以提升地图引擎对异常的感知力并快速响应，提升用户出行体验。
▍研究目标：通过多模态信息检测交通异常，需要满足以下约束：
发现快：现实问题发生后能够在尽量短的时间内检测出异常，对应的指标为检测鲜度（检测时间–现实异常时间）；精确率：检测出的异常要保证一定的准确性，否则会带来审核成本和用户的负向体验；全面性：稀疏道路、复杂道路（如平行路、高架桥）等场景可以保证效果的稳定性。
课题六：基于代驾司机骑行历史数据的自迭代骑行路径规划系统▍课题背景：随着代驾业务体量的增大以及场景的复杂化，骑行导航系统的服务稳定性越来越成为限制业务发展的瓶颈。隔江单、跨山单等问题成为了代驾最为
