報告題目：Multi-task Learning for Transit Service Disruption Detection
報告時間：7月19日下午14：00
報告地點：計算機樓B321
報 告 人：呂昌田 教授
報告人簡介：
呂昌田博士，美國弗吉尼亞理工大學教授，北弗州校區計算機系主任，數據挖掘與知識發現研究中心副主任。2001獲得明尼蘇達大學雙子城校區博士學位。曾擔任第十八屆IEEE人工智能工具國際會議程序委員會主席、第十七屆 ACM地理信息系統國際會議和2017年空間/時間數據庫國際研讨會會議主席。目前主要從事空間數據庫、數據挖掘、人工智能、城市計算和智能交通系統等方面的研究。在ACM KDD、IEEE CDM、ACM GIS、IJCAI、AAAI等高水平會議、期刊共發表150多篇文章。目前擔任ACM Transactions on Spatial Algorithms and Systems、Data & Knowledge Engineering、GeoInformatica等期刊副主編。研究工作獲得美國國家科學基金(NSF) 、美國國家衛生研究院(NIH) 、國防部 (DoD) 、國防高等研究計劃署(IARPA) 、弗吉尼亞州交通局 (VDOT)以及哥倫比亞特區交通局 (DCDOT) 等基金➿⚽✨➿，獲評美國計算機學會傑出科學家 (ACM Distinguished Scientist)。
報告内容簡介：
With the rapid growth in urban transit networks in recent years, detecting service disruptions in a timely manner is a problem of increased interest to service providers. Transit agencies are seeking to move beyond traditional customer questionnaires and manual service inspections to leveraging open source indicators like social media for deteting emerging transit events. In this paper, we leverage Twitter data for early detection of metro service disruptions. Inspired by the multi-task learning framework, we propose the Metro Disruption Detection Model, which captures the semantic similarity between transit lines in Twitter space. We propose novel constraints on feature semantic similarity exploiting prior knowledge about the spatial connectivity and shared tracks of the metro network. An algorithm based on the alternating direction method of multipliers (ADMM) framework is developed to solve the proposed model. We run extensive experiments and comparisons to other models with real world Twitter data and transit disruption records from the Washington Metropolitan Area Transit Authority (WMATA) to justify the efficacy of our model.
主辦單位：
伟德国际BETVlCTOR
伟德国际BETVlCTOR軟件學院
伟德国际BETVlCTOR計算機科學技術研究所
符号計算與知識工程教育部重點實驗室
伟德国际BETVlCTOR國家級計算機實驗教學示範中心
