滴滴科技在人工智能顶会AAAI 2019上取得新进展，展示了四篇创新论文，这些论文深入探讨了深度学习、生成对抗网络和神经网络等关键技术。这些研究成果不仅提升了网约车服务的效率，也为城市计算领域的时空预测任务提供了一种新的思路。
首先，研究团队提出了一个名为Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting的模型。这项工作旨在解决乘车需求预测这一复杂问题，通过构建多个图来编码区域之间非欧式相关性，并采用环境门控递归神经网络增强时间相关性的建模能力。在北京和上海的真实数据集上进行评估后，该模型显著提高了预测准确度。
其次，本文提出了一种多模态数据处理方法，以便更好地利用城市中的多样化数据。通过“多图”的形式，将POI（点感兴趣地点）和路网信息表达为模型结构，从而实现空间特征的有效抽取。此方法不仅适用于网约车订单量预测，还可推广应用于其他城市计算时空预测任务中。
第三篇论文Incorporating Semantic Similarity with Geographic Correlation for Query-POI Relevance Learning关注的是Query与POI（点感兴趣地点）的相关性学习。本文结合文本特征和地理位置关系，提出了一个基于语义相似度的地理协同学习方法，该方法在POI检索任务中显示出更好的效果，并且可以广泛应用于各种基于位置服务的场景，如网约车、本地服务搜索等。
最后，本文还介绍了一种CycleEmotionGAN：Emotional Semantic Consistency Preserved CycleGAN for Adapting Image Emotions，它是一种面向情感计算领域域适应性的循环生成对抗网络模型。该模型能够降低不同领域分布特性的影响，同时保留语义标签分类能力，在两个主流的情感计算数据集上的实验结果证明其优越性。
此外，本文还探讨了深度神经网络对各种形式扰动敏感性的分析。这一研究对于理解DNN如何受到外部或内部干扰至关重要，并有助于检测潜在异常值、分析模型架构敏感性以及定位易受攻击区域。实验结果表明所提出的影响度量对于流行DNN模型如ResNet50和DenseNet121具有良好的表现。
