本文主要围绕城市数据所呈现的多源异构特性,探讨了计算智能方法（包括神经网络和进化计算）在跨域数据融合中关键问题的研究及应用。具体而言,针对城市数据融合问题,本文将融合场景分为四类即并列型、交互型、因果型和动态型。其中并列型关系表示要融合属于同一目标的几种不同源的数据集,且这几个数据集之间没有关联或者关联性较弱的场景;交互型关系表示多源数据集间都有相互作用的场景;因果型关系表示数据集之间存在由一个或多个数据集决定或影响其余数据集的场景;另外,不同于上述三类数据不会随着时间变化的场景,动态型关系表示数据集会随着时间变化的场景。本文利用计算智能方法探索这四类场景的数据融合问题,并结合城市中经济和交通领域的实际应用展开研究,具体研究工作要包括以下四个方面:?针对城市多源并列型数据融合场景,提出了一个由两种基于深度学习的特征学习新模型以及轻量级预测模型组成的解决方案,并基于城市经济场景即电影票房预测问题进行了深入研究。在电影上映之前预测其票房是一个有很高的经济价值但也极具挑战的课题,原因是票房受许多复杂因素的影响。由于标签电影样本数量的限制,该场景是典型的并列型数据融合场景。本方案在第一阶段利用深度学习模型建模每项因素的知识,并将知识融合为电影的表征;在第二阶段,基于这些学到的特征利用轻量级模型预测电影的票房。详细来说,本方案设计了两种新颖的深度学习模型:1)动态异构网络嵌入模型,基于异构网络嵌入方法和多目标学习范式,用于同时捕获演员、导演和公司合作关系的表征;2)预告片嵌入深度网络,基于卷积神经网络、循环神经网络、双子网络等组件,旨在揭示预告片中电影拍摄元素的高级表征。最后,基于中国电影市场真实数据的实验结果表明,特征学习模型所提取的知识具有出色的预测性能,并且方案的最终预测结果有较高的准确度。本解决方案已经部署在某公司用以提供投资指导。?针对城市多源交互型数据融合场景,设计了一个知识驱动的进化算法,并基于城市餐馆套餐推荐问题深入研究了该算法的应用。在餐桌上共享食物的餐馆中点餐是一项重要的工作,它决定顾客的就餐体验,进而会影响饭店的声誉。然而,餐馆仅仅能获得顾客的就餐人数和预算,并没有顾客的个人信息。所以,帮助顾客推荐满意的套餐,即菜品组合,是一个很有挑战的任务。为此,本研究将套餐推荐问题定义为一个多目标优化问题,即一个多源交互型数据融合场景。为了更好地解决该问题,从而可以为顾客推荐既能满足预算和食量又美味的套餐,本进化算法使用从菜品的多源数据中提取的知识,提出了两个新颖的进化操作。其中包括一个基于知识的初始化操作和一个基于知识的重组操作,以增强算法的融合和优化能力。另外,作为一个现实需求,推荐的套餐需要实时生成,同时解决一些实际问题,如动态库存等。在提出的算法的基础上,本研究进一步开发了智能点菜系统,包括多个在线和离线机制的设计,从而满足了实时需求。最后,通过与三类算法的比较,定量地展示了提出的算法在解决该数据融合问题的有效性。此外,该系统也已被部署。实地验证展示了本系统的良好用户体验,其拥有较高的推荐菜品接受率且可以有效地为客户节省点餐时间。?针对城市多源因果型数据融合场景,提出了一个新颖的深度学习模型并基于城市租房推荐问题深入研究了该模型的应用。随着城市化进程的迅速发展,越来越多的移民需要通过租房解决城市的住房问题。但是,找到理想的住房是一项艰巨的任务。由于本场景是典型的因果型关系,为了解决该问题,本研究首先从多源城市数据（包括地理,交通和电子商务等数据）中提取用户和房屋的特征,并将这些特征馈入提出的基于元学习的深度神经网络,命名为House Critic。House Critic将用户偏好的特征用作元知识推理出房屋表征的权重参数,以便可以显式地对该因果关系建模融合,并据此对给定房屋的满意度进行估计,从而给用户推荐较高满意度的房屋。最后,使用了从中国北京收集的真实数据集进行了模型验证,实验结果显示了House Critic明显优于多个基准模型。目前,该方法已部署在某电商公司为其用户提供服务。?针对城市多源动态型数据融合场景,提出了一个基于深度学习模型的动态策略,并基于城市地铁列车停站时间调度问题深入研究了该模型的应用。为此,本研究旨在探索为列车分配停站时间的动态策略,从而优化地铁系统的运行效率,从而缩短乘客的出行时间。对于一辆列车来说,其停站时间的不同会对整个系统产生长远的影响。另外,影响其停站时间决策的两个主要因素相互影响且随时间变化:即未来站点乘客的状态和同线路上其他列车的状态。为了捕捉该长效影响且融合这两种因素,本研究提出了名为Auto Dwell的深度神经网络作为列车停站时间调度的策略,接着使用深度强化学习框架来学习Auto Dwell,其根据乘客在平台上的等待时间和火车上的旅途时间来设计停站时间的长期奖励,从而捕捉停站时间的长效作用。另外,该模型使用门控循环单元和图注意力网络来捕获地铁站之间客流的时空相关性,利用注意力机制来捕获列车之间的交互,并设计了融合这两个因素的机制。最后,在两个真实数据集上进行的实验显示了Auto Dwell对多个基准模型的优势,其能够节省乘客的总体行程时间,同时也可以指导地铁运营商提升列车资源的使用效率。该方法正在地铁运营商处部署以指导列车停站。