随着云计算、大数据和物联网等信息技术的飞速发展，全球数据呈现出海量集聚的特点。这些从不同来源所获取的海量数据反映着人类社会的生活和规律，如群体出行和交通流量。因此，如何对多源数据进行分析与理解，以更好地全面了解这些多源数据所蕴含的丰富信息，是一个值得研究的重要问题。
　　多源海量数据本质上是序列数据，这些从不同来源获得的序列数据之间相互补充、彼此交互，刻画着人类社会中群体的行为习惯和生活模式。本文针对交通速度预测和公交线路生成这两个实际场景，在获得道路交通速度、群体用户地图查询、公交线路网等多源序列数据的基础上，围绕如下三个挑战问题进行了深入研究:1)多源序列数据的建模与融合;2)多源序列数据的交互机制;3)多源序列数据的序贯决策优化。在这三个挑战的研究过程中，分别提出了结合辅助信息的多源序列数据融合的深度学习方法、结合注意力机制的多源序列数据的深度融合学习方法、结合残差网络的多源序列数据交互的深度学习方法、基于邻近策略优化的多源序列数据生成的深度强化学习方法。
　　本文的主要研究工作包括:
　　提出了一种结合辅助信息的多源序列数据融合的深度学习方法。该方法使用不同神经网络结构将离线地理信息、路网拓扑结构和在线地图查询等多源序列数据融合到统一的特征空间，以联合学习多源异构序列数据中的同构特征，从而预测交通速度。
　　提出了一种结合注意力机制的多源序列数据的深度融合学习方法。该方法使用基于内容的注意力机制来更深层次地融合多源序列数据的异构信息，并运用于交通速度预测任务中。
　　提出了一种结合残差网络的多源序列数据交互的深度学习方法。该方法通过残差网络去解释并修正单源序列数据学习中易导致的误差，协同建模多源序列数据之间的时序交互，有效提升了交通速度预测的性能。
　　提出了一种基于邻近策略优化的多源序列数据生成的深度强化学习方法。该方法以候选公交线路的表达作为强化学习的状态、候选公交线路的下个邻近站点作为强化学习的动作以及候选公交线路可节省时间作为强化学习的奖励，将公交线路优化问题形式化为基于邻近策略优化的深度强化学习。实验结果表明，相比于传统的贪心算法和启发式算法，该方法显著提升了算法性能。
　　本文围绕着面向多源数据的深度序列学习问题展开研究，针对多源数据的异构性、时序交互和序贯优化这三个挑战，针对性地提出了有效的深度序列学习算法，并将其应用于交通速度预测和公交线路生成这两个实际应用场景中。