两个报告，分别是关于轨迹中的交通流，以及深度学习在推荐系统中的应用。

由于主要是在做应用，是典型的问题驱动，所以这里仅仅列出一些有趣的问题。至于方法，我目前对深度学习不了解，所以不评述。

轨迹交通流有关的研究问题：

• 某个地区出租车的供需预测
• 交通灯控制（红绿灯 – 交通摄像头）

其中，第一个问题可以抽象成 时序数据上的回归问题，和传统的机器学习比较接近。第二个问题，在我自己了解到的方向中较少出现，因为是涉及到决策的东西。摄像头提供交通流数据，以此作为切换红绿灯或者红绿灯频率的决策基础，而决策也会影响下一个时间点的交通流。这个过程可以建模成强化学习。

此外，姚还提到了一些当前轨迹交通流研究的热门：

• coordination in the transportation network
• continual adaption with changing environment
• events detection
• data quality（sparsity, noise）

确实是很有趣的问题，但以实验室目前的环境，做不了。相信大部分同学都有这样的感觉，实验室研究的东西，虽然还是数据挖掘的主流方向，但已经脱离应用很远了；至于数据挖掘的基础理论研究，也不见得做的有多深入，因此处于很尴尬的境地。

失落会有一些，但乐观一点想，我们在研究的问题，至少是自己喜欢的，很好奇的问题。即使目前看，它对于学科的发展和社会的推动毫无作用。但我们自己还是在前进，每次向前走一点点，也是一件开心的事情。

何况，目前的环境和研究的内容，对于长期发展，还是存在一定的帮助：

虽然研究的内容是传统的数据挖掘与机器学习，以shallow model为主，但其中涉及到的基础问题也是DL中关注的问题。与一开始就做DL的同学相比，我们对于各种基础理论的学习，如压缩感知，线性代数，各种凸优化非凸优化；以及一些不入流的“小技巧”，锚点的学习，信息的传播和最大化间隔，等等；要更加熟悉。这些思想，在DL中也存在，也还待发掘。保持一种积极学习的心态，兼收并蓄，相信长期的积累，还是会带来回报。

十年了。

Categories: DM

peiyan