2022年6月9日上午，由于疫情防控要求，本学期第六次课题组例会在线上召开。会议由白烜志同学主持，主要由白烜志、张浩两位同学进行学术汇报，二十多位课题组成员参与本次会议。

首先由白烜志同学进行《基于NMF的城市群多层级出行时空模式挖掘研究》的汇报，汇报从研究背景及意义、研究现状及综述、数据介绍及处理、研究方法及结果以及总结与展望这五个方面展开。研究首先阐述了定量理解出行需求是城市群交通规划和政策研究的基础，想要提升城市群的一体化水平，就需要更深入地了解出行需求，挖掘出行需求的内在结构，进而促进供需匹配。现有的研究虽然用的数据种类多样，但本质上都是OD数据，从总体出行的角度研究出行规律，但均是城市内部的研究，没有涉及到跨城出行，并且对时空模式的分析仅仅是描述和推断，很少用其他数据来验证，因此提出基于手机信令数据获取的OD数据能够研究此类问题，且能够研究城市群多个层级的出行规律。针对城市群不同层级的出行，通过非负矩阵分解的方法，挖掘出了几种典型的时空模式，并分析其特征。融合多源数据，丰富了时空模式包含的语义，并对出行目的推断的可靠性和时空模式的稳定性进行了验证。最后阐述了研究的结论和后续研究计划。

针对报告内容，李林波老师、王艳丽老师和多位同学对白烜志同学的研究提出了自己的想法和相关问题，并提出了合理的改进建议。白烜志同学也针对在座老师同学提出的问题逐一进行了答疑解释。

随后，由张浩同学进行《自然驾驶条件下换道轨迹深度预测》的汇报，汇报从研究背景、国内外研究现状、研究内容及成果及结论与展望四个方面展开。汇报以换道安全为研究背景，对换道过程进行建模有助于准确感知潜在交通风险，帮助未来的自动驾驶辅助系统实施自动紧急制动、危险警告，更好地指导车辆决策和路径规划。换道行为预测方面：CNN-LSTM和LSTM效果较好，CNN效果较差。换道轨迹预测方面：CNN-LSTM效果优于LSTM；CNN效果最好。换道行为及换道轨迹联合预测方面：CNN-LSTM在短时和长时预测上效果均好于CNN、LSTM。最后阐述了不足与展望。

结合张浩同学的汇报内容，王艳丽老师以及各位同学进行了相关讨论，并对张浩同学后续研究工作的开展提出了建议。针对在场参会同学的提问，张浩同学也逐一进行了回答。

透过此次学术交流，两位同学不仅对自身研究方向、课题有了更客观的认识，也进一步明确了后续的工作方向。其他参会同学也在此次交流中拓展了自身的学术视野，受益匪浅。