时空解耦交互学习用于交通流预测

更智能的交通预测为何重要

每一次通勤都受无数不断变化的决策影响：信号灯何时切换、驾驶者如何择路、以及拥堵何时突然出现。在幕后，城市越来越依赖能够预测未来几分钟到一小时交通状况的计算模型，用以优化信号、处置事故并为导航应用提供建议。本文提出了一种新方法，旨在提高这些短期预测的准确性与可靠性，尤其是在交通模式因区域而异并随日、周和季节变化的复杂城市网络中。

交通模式并非千篇一律

城市交通既是地域的故事，也是时间的故事。一条安静的郊区街道与繁忙的市中心干道表现截然不同，城市中的高峰波动呈现日常及每周的循环。传统预测工具常常掩盖这些差异，或假定道路间的关系是固定不变的。事实上，遥远的路段可能在体育赛事结束时突然同步波动，而某个传感器的当前读数可能比起最近五分钟，更受一小时前的状况影响。作者认为，要做出可信的预测，必须捕捉本地特性、远距关联与多日节律的复杂组合——而现有模型，即便是许多深度学习系统，仍然不足以做到这一点。

分离空间与时间以获得更清晰的视角

为了解决这一问题，研究者设计了一个称为时空解耦交互学习（Spatiotemporal-Decoupled Interactive Learning，简称 STDIL）的框架。其核心思想是先将交通数据中的“哪里”和“什么时候”分离开来，分别深入建模，再将二者重新结合。他们将从一天到七天的传感器长时序输入到两项重建任务中：一项有意在数据中隐藏整段路网，迫使模型从其他道路推测被隐藏路段的过去；另一项隐藏时间片段，要求模型利用前后时刻填补空白。通过反复练习这两种“捉迷藏”任务，系统学会了更丰富的地点行为特征以及跨分钟、小时和天数的交通演变模式。

让路网自身重连

除了分别理解空间和时间外，STDIL 还以灵活的数据驱动方式学习道路之间的相互影响。模型并不将路网固定为静态的连接图，而是在新数据到来时持续调整其内部的“图”关系。它以公路的物理布局为起点，然后添加学习到的链接，这些链接可能连接远距离但经常同时波动的传感器。特殊的图处理层沿着这些不断演化的连接传播信息，既能捕捉诸如队列沿走廊溢出的邻域效应，也能识别像暴风雨触发的全市范围性放缓等广域影响。该交互学习结构以树状方式组织，使短期波动与长距趋势相互强化而非相互竞争。

在真实高速公路数据上的训练与验证

作者在加州性能测量系统（Performance Measurement System）的四个大型高速公路数据集上对 STDIL 进行了测试，该系统持续记录数百个传感器的交通状况。他们将该方法与一系列基线方法进行比较，涵盖经典统计工具到已使用图和注意力机制的现代神经网络。在所有数据集及最长达一小时的所有预测时段内，STDIL 的误差均低于竞争方法。值得注意的是，随着预测窗口延长，其精度衰减更为平缓，这表明其设计确实有助于保持有用的远程信息。额外的实验显示：去掉任一关键组成——空间掩蔽、时间掩蔽或动态图交互——都会降低性能，证明每一部分都对整体提升有所贡献。

对日常出行的意义

在实际应用中，STDIL 表明当模型被允许分别考虑每个路段与每个时间尺度，并且道路之间的相互作用网络能随情形变化而自适应时，交通预测会更准确。对于出行者，这可能意味着路由建议能更好地预判突发放缓与恢复，而不仅仅是从最近几分钟外推。对于城市管理部门，更稳健的预测意味着信号方案和控制策略在异常事件下也能保持有效，而不仅限于典型工作日。尽管作者聚焦于高速公路数据，但相同思路可扩展到城市街道以及其他同时受空间、时间与交互影响的系统——从公共交通到能源电网——为更智能、更敏捷的城市基础设施提供了路径。

引用: Chen, L., Wu, Q. Spatiotemporal-decoupled interactive learning for traffic flow prediction. Sci Rep 16, 9050 (2026). https://doi.org/10.1038/s41598-026-38244-w

关键词: 交通预测, 图神经网络, 城市出行, 时间序列预测, 智能交通系统