针对大多数现有主流兴趣点（POI）推荐算法忽略了融合用户复杂动态偏好和一般静态偏好建模的复杂性问题，提出一个融合复杂动态用户偏好和一般静态用户偏好的POI推荐算法CLSR。首先，在复杂动态偏好建模过程中，基于用户的签到行为及其中的跳过行为设计一个混合神经网络，实现用户的复杂动态兴趣的建模；其次，在一般静态偏好建模过程中，利用高阶注意力网络学习用户与POI之间复杂的交互关系；然后，利用多层神经网络进一步学习和表示上述动态偏好和静态偏好；最后，基于统一的POI推荐框架对偏好进行整合。在真实数据集上的实验结果表明，与个性化马尔可夫链和用户位置受限的推荐方法FPMC-LR、基于个性化排名度量嵌入的推荐方法PRME、基于排名的地理分解兴趣点推荐方法Rank-GeoFM和基于时间和多级上下文注意力机制的下一个兴趣点推荐方法TMCA相比，CLSR的性能有了较大的提高，该算法的准确率、召回率和归一化折损累计增益（nDCG）和对比方法中较优的TMCA相比，在Foursquare数据集上分别提高了5.8%、5.1%和7.2%，在Gowalla数据集上分别提高了7.3%、10.2%和6.3%，可以有效地改善POI推荐的结果。

针对车联网（IoV）环境下，单车的信息采集和处理能力不足以满足时间敏感的行车安全应用需求，需要通过多车协作增强车间信息共享和信道接入能力等问题，提出一种基于协作反馈控制算法的行车安全动态强化模型。首先，提出虚拟车队协作模型，提升交通信息的采集精度，扩大采集范围，建立车间的稳定协作关系，在形成协作虚拟车队的同时降低信道拥塞；然后，实现一个针对消息传输和驾驶控制的联合优化模型，通过异构交通数据的深度融合最大化IoV的安全效用；最后，在对车流量时空变化进行预测的基础上，提出自适应的反馈控制模型实时调整驾驶安全策略。仿真结果表明，所提出的行车安全动态强化模型在各种车流分布模型下，均能够取得良好的性能指标，可以有效支持驾驶辅助控制系统，在保障行车安全的同时降低信道拥塞。