2020年7月7日至7月15日，重点实验室承担的中以国际合作专项“MaaS移动即服务”第二次项目进展交流会在线上顺利召开。该项目为国家重点研究计划政府间国际科技创新合作重点专项，全称为“MaaS移动即服务：智慧公共交通的关键技术与应用示范”（“Mobility as a Service: From Rigid to Smart Evolving Public Transport”）。项目为中国和以色列政府间联合研究项目，分别受中以双方科技部支持，旨在基于时空大数据构建智能化的公共交通演化网络，将移动即服务的理念落地。会议为期4天6场，期间，中以双方团队分享了已有的研究成果，明确了项目的攻关要点，并就后续合作机制、数据共享等问题进行了讨论。

中以线上研讨会议与会人员

中方团队包括：北京大学、哈尔滨工业大学（深圳）与中国地质大学。首先，中方项目负责人、重点实验室副主任黄舟老师介绍了项目的基本进展情况，包括研究成员、研究议题、研究成果以及下一步的工作方向。

黄舟老师回顾项目进展

以方团队包括：特拉维夫大学、内盖夫本*古里安大学。以方项目负责人Itzhak Benenson教授。

在学术交流部分。北京大学硕士生杨柳与本科生尹赣闽介绍了基于精细空间尺度的公交分担率的公交供需分析的工作。该研究基于公交刷卡数据提取出通勤人流，实现了精细尺度的公交分担率计算，进行了分担率的影响因素分析，并在此基础上对北京市公交供需现状进行了研究。

北京大学博士后王瑶莉就将里奇曲率应用于公交网络优化做了报告。该研究将黎曼几何中的里奇曲率概念应用于公交网络中，用于量化公交供需和识别供需不平衡地区，并以北京市作为研究区域做了实证分析。

中国地质大学硕士生朱榕榕的报告主题是北京市与深圳市的公交模拟研究。该研究基于MATSim平台，分别对北京市与深圳市进行了公交模拟，并分析其时空变化特征，包括出行时间、出行距离、交通拥堵等。

中国地质大学硕士生王嘉豪的报告主题是基于隐式知识加权图划分（implicit knowledge weighted graph partition）的并行模拟策略。该研究将公交网络视作隐式知识加权图，从负载均衡与减少串行交互两方面出发，实现了并行模拟算法，并通过对比其他算法证实了算法的有效性。

哈尔滨工业大学硕士生王梦晗的研究内容为基于公交刷卡数据的个体出行OD提取方法。该研究首先基于公交车GPS轨迹数据与公交线路/站点数据，得到公交时刻表信息，并结合公交刷卡数据，提取出个体上车点信息，借助引力模型实现个体下车点的推断，最终实现个体OD的提取。

哈尔滨工业大学博士后金美含的报告主题为从点与线的角度研究公交供需的匹配。该研究主要从两个视角来公交供需匹配的程度，一是从点的角度来看出行者活动点与公交站点选址的匹配程度，二是从线的角度来看OD出行需求与公交网络设计的匹配程度。此外，在报告的最后部分还介绍了与深圳坪山交通局的落地应用合作方向。

中方研究成员作报告（依次为：杨柳、尹赣闽、王瑶莉、朱榕榕、王嘉豪、王梦晗、金美含）

以色列方则有来自特拉维夫大学与内盖夫本*古里安大学的7位研究生做了报告。

特拉维夫大学的Aleksey Ogulenko介绍了两项研究工作：手机定位的贝叶斯估计与生成合成路网以测试交通运输算法。前者主要是基于手机通话记录，通过贝叶斯估计实现定位，进一步可估计人口流动性。后者则研究了合成路网的生成工作，为后续模拟与优化工作提供基础。

特拉维夫大学的Golan Ben-Dor则主要测试了MATSim平台的Population Downscaling的功能。该研究着眼于在缩减ABS（Agent-based simulation）人口规模的同时，对全局的模拟程度是否能维持较高的水平。研究表明，缩小比例超过25%时能较好地模拟全局信息，而低于10%时则偏差过大。

特拉维夫大学的Yotam Roichman主要进行了四种共享自动车辆调度算法的比较。该研究首先介绍了四种拼车算法的基本思想，并进行了对比实验，在候车时间、车辆利用率、算法运行时间等指标上进行了比较。Golan则在此基础上将MATSim与拼车算法相结合，并应用于特拉维夫大都市区，取得了很好的效果。

特拉维夫大学的Nir Fulman的研究内容是基于公交刷卡数据，对公共交通用户进行聚类分析并从中发现公交通勤模式。该研究基于公交刷卡数据，在用户类型、出行频次、出行方式等方面进行了统计分析，并进一步基于Space-Time DBSCAN算法，按照上车站点位置、上车时间等信息对出行进行聚类，并分析了通勤出行的一些特点。

内盖夫本*古里安大学的Nadav Shalit的报告主题是基于XGBoost模型估计缺失的上车点位置。该研究着眼于部分公交刷卡数据中上车点缺失的问题，首先分析了传统的基于发车时刻表（GTFS）的方法的缺陷，将出行距离、上车时间、街道的交通灯数量、是否周末等属性作为输入特征，基于XGBoost模型实现了上车点位置的预测，并证明该模型明显优于传统推断方法。

内盖夫本*古里安大学的Danielle Ben-Shlomo提出了一种基于朴素图的空间显式算法，用于计算公交可达性。该研究指出了可达性应该同时关注O、D两方面，分别提出了“Access Areas Accessibility”与“Service Areas Accessibility”的概念，并将公交网络视作朴素图（边权为出行时间），基于最短路径算法的思想，实现了空间可达性的计算。

内盖夫本*古里安大学的Liel Olesya-Sharon则基于手机通话记录数据，提出了一种提取兴趣点的算法，经验证发现该算法取得了很好的效果。

以方研究成员作报告（依次为：Aleksey、Golan、Yotam、Nir、Nadav、Danielle）

在会议的最后部分，中以双方团队确认了下一步的研究方向及时间线安排，并就促进双方学生合作、数据共享等问题进行了充分讨论。

会议于7月15日圆满结束。中以双方团队成员进行了深入的学术交流，碰撞出了思想火花，为下一步深入合作研究奠定了基础。