面向时空异质性的元参数交互学习用于交通流预测

为什么更智能的交通预测很重要

凡是被突发拥堵困住过的人都知道，道路并不是按简单可预测的方式运行的。拥堵会在街区与街区、分钟与分钟之间发生变化，同一条路在工作日早晨和节假日夜晚也可能呈现截然不同的面貌。本研究提出了一个新的人工智能框架，称为 SHAMPIL，旨在更精确地理解这些变化的模式，帮助未来的交通应用、城市规划者甚至自动驾驶车辆在实时环境中做出更好的决策。

不同道路，不同节奏

传统的交通模型常常假设道路网络的各部分随时间遵循相似的模式。实际上，每个传感器或路段都有自己的节奏。一个高速公路匝道可能在高峰时段出现急剧的流量峰值，而附近的郊区路段则可能以较温和的波动在不同时间出现高峰。作者将这种跨空间和时间的差异称为“时空异质性”。利用来自加州高速公路传感器系统的真实数据，他们展示了两个相邻传感器如何记录出明显不同的交通曲线，表现出不同的平均流量、波动性和高峰时段。忽视这些差异会导致预测过于粗糙，无法捕捉驾驶者实际遇到的局部激增或下降。

教模型识别情境

SHAMPIL 首先通过不依赖地图或土地使用标签等外部信息的方式，教模型识别情境。它学习一种“时间指纹”，编码一天中的时刻和星期几，以捕捉诸如早晚高峰或周末放缓等周期性规律。与此同时，它为网络中的每个传感器学习一种“地点指纹”，反映该位置通常与其他位置相比的行为。这些学习到的指纹使系统能够在内部将相似的时刻和地点默默地聚类，并区分例如繁忙的市中心路口与安静的外环道路，即便它们之间只有很短的距离。

即时自适应其内部规则

大多数预测系统对所有地点和时间使用一套固定的内部参数。SHAMPIL 则维护一个紧凑的、可重用的参数模式池，并利用学习到的时间和地点指纹为每种情境以不同方式混合这些模式。实际上，模型不仅在学习交通模式；它也在学习如何为周一早晨与周日晚间，或为拥堵枢纽与稳定路段重新配置自身。这种元参数机制赋予 SHAMPIL 如同拥有多个专门模型的灵活性，同时在内存和计算开销上保持可控，适用于大型路网。

把交通视为一个会呼吸的网络

交通不是孤立移动的：一条高速公路的拥堵会在匝道和附近街道间扩散。为反映这一点，SHAMPIL 包含一个交互模块，将路网视为连接关系可随时间变化的有机网络。它在沿时间轴观察（使用卷积捕捉短期和长期趋势）与跨空间观察（使用动态图将行为在该时刻表现相关的传感器连接起来）之间交替。一个学习到的“交通模式库”帮助该图关注持久的关系，而另一个组件则捕捉瞬时的短期相似性。通过让以时间为中心和以空间为中心的视角反复相互影响，SHAMPIL 构建出更全面的图景，描述拥堵如何在网络中生成、传播和消退。

在真实高速公路上的测试结果

研究人员在四个来自加州的基准高速公路数据集上评估了 SHAMPIL，每个数据集包含数百个传感器数月的每五分钟采样测量值。他们将该方法与近 30 种既有技术进行了比较，覆盖经典统计工具到最新的基于图的深度学习模型。在所有数据集和长达一小时的所有预测时段中，SHAMPIL 一直产生最低的误差。在交通条件在时空上变化剧烈的更复杂网络中，其表现尤为突出。可视化比较显示，其预测曲线紧跟真实交通，即便在波动剧烈的高峰期也能较好拟合；统计分析表明不仅准确度更高，性能也更稳定，极端错误更少。

对日常出行意味着什么

简而言之，SHAMPIL 表明，通过承认每个地点和每个时刻的差异，并让预测系统围绕这些差异自我重组，可以提升交通预测的质量。将情境感知的内部调优与对道路相互影响的动态视角相结合，该方法在真实高速公路数据上提供了更准确、更稳健的预测。随着此类技术的完善和部署，它们可能为更能预见突发减速的导航工具提供支持，助力更智能的信号控制，并帮助城市规划者设计在日常生活和突发事件中更具弹性的路网。

引用: Liu, C., Xue, X., Wang, S. et al. Spatiotemporal heterogeneity-aware meta-parameter interaction learning for traffic flow forecasting. Sci Rep 16, 6997 (2026). https://doi.org/10.1038/s41598-026-36350-3

关键词: 交通预测, 图神经网络, 时空模式, 智能交通, 深度学习