（通讯员 张鑫晏）为持续深化博士教师学术交流，推动大数据与智能交通领域交叉创新，信息学院博士科研沙龙第八期活动于2026年6月10日上午在信息楼308会议室顺利举办。本期沙龙由杨璨博士主讲，围绕“轨迹数据地图匹配与路网异常信息挖掘”开展专题报告，学院全体博士教师参与了本次学术交流。

活动前半程的主题分享环节中，杨璨博士结合智慧出行时代海量GPS轨迹数据的广泛应用背景，系统阐述了轨迹数据在交通拥堵预测、出行时间估计、红绿灯时长预测及绕路行为检测等场景中的重要价值。他指出，原始GPS轨迹存在定位误差、信号弱导致的轨迹丢失、静止不动时的漂移点等问题，难以直接反映车辆真实行驶道路，地图匹配成为轨迹数据挖掘的关键预处理任务。

针对传统地图匹配方法在计算效率上的瓶颈，杨璨博士重点介绍了其团队提出的快速地图匹配算法（Fast Map Matching, FMM）。该方法基于隐马尔可夫模型（Hidden Markov Model，HMM），通过预计算路网节点间的距离，将大量重复的最短路径查询替换为高效的哈希表查询操作，显著提升了匹配速度。实验表明，在斯德哥尔摩路网（约5.8万条边）上，FMM单核处理速度达2–3万点/秒，且支持并行计算，8核处理速度可达15–20万点/秒，较传统方法提升约两个数量级。该开源框架已在GitHub上获超千星标，并被滴滴等企业应用于千万级大规模轨迹的高效处理。

在应用层面，杨璨博士进一步展示了匹配后轨迹数据用于路网异常信息挖掘的创新工作。通过评估观测概率与转移概率，提取低置信度匹配点并进行空间聚类分析，可有效识别道路缺失、方向错误、复杂区域匹配失效等异常情况。他还介绍了引入双向循环神经网络（Bidirectional Recurrent Neural Network，BiRNN）实现自动化异常识别的技术路线，为路网数据质量评估与动态更新提供了新思路。

在随后的开放讨论环节，与会博士教师围绕FMM算法在不同城市路网中的适应性、异常挖掘结果的可验证性以及实时匹配的可行性等问题展开热烈讨论。杨璨博士结合实验数据与开源代码实践逐一回应，分享了自动驾驶高精地图、空间大模型等下一步研究方向，并交流了近期获批校级科研项目的申报经验。部分教师还就跨学科合作及实验资源共享等事项进行了初步对接，现场交流气氛融洽。

本期沙龙聚焦前沿轨迹数据挖掘与智能交通技术，严格践行了“1小时高效交流法”，为学院博士教师搭建了前沿交叉领域的破冰与交流平台。未来，信息学院将继续秉持“零压力、长效应”的理念，推动博士群体信息互通、资源共享与自发结对，为学院科研与教学工作的协同高质量发展提供有力支撑。