多源机器学习框架用于城市主干道路段级行程时间预测:迈向可持续交通管理

《Sustainability》:A Multi-Source Machine Learning Framework for Segment-Level Travel Time Prediction in Urban Arterial Corridors: Toward Sustainable Traffic Management

【字体: 大 中 小 】 时间:2026年08月08日 来源:Sustainability 4.1

编辑推荐:

  准确的短时行程时间预测是城市主干道可持续出行和智能交通系统的基础,在这些道路上,交通状况受到交互的交通、天气和公共交通因素的影响。本研究提出了一种多源机器学习框架,用于代尼兹利市中心的道路方向级预测。浮动车数据(FCD)、交通控制中心(TCC)感应线圈检测器测

  
准确的短时行程时间预测是城市主干道可持续出行和智能交通系统的基础,在这些道路上,交通状况受到交互的交通、天气和公共交通因素的影响。本研究提出了一种多源机器学习框架,用于代尼兹利市中心的道路方向级预测。浮动车数据(FCD)、交通控制中心(TCC)感应线圈检测器测量值、历史天气和公共交通指标被整合到一个15分钟的时间段结构中。最终数据集包含60个道路方向目标。使用线性回归、随机森林、LightGBM和长短期记忆网络(LSTM)在按时间顺序的训练-验证-测试设计下评估性能。基于树的集成模型产生了最稳定的整体性能,LightGBM和随机森林产生了相似的低聚合测试误差。路段级分析揭示了明显的空间和时间异质性,表明没有单一模型在所有路段上普遍优越。通过提供可靠的交通状态信息,该框架能够实现高效的交通管理,并可能间接减少延误、燃料消耗和排放;这些环境影响未被量化。基于Shapley加法解释(SHAP)的解释表明,时间和交通状态变量主导预测,而天气和公共交通提供补充价值。
**研究背景与问题**
城市主干道上的短时行程时间预测是可持续交通管理与智能交通系统(ITS)的基础。然而,交通状况受交通流、天气和公共交通(PT)因素的非线性交互作用影响,尤其在中等城市中,数据来源分散(浮动车数据FCD、交通控制中心TCC感应线圈、气象记录、公交运营信息),难以整合为统一的分析结构。现有研究多聚焦于高速公路或大都市,对中等城市主干道路段级预测不足,且常忽略局部异质性:走廊平均模型可能掩盖相邻路段因交叉口密度、信号控制、公交停靠等导致的差异。此外,多源融合研究鲜少同时纳入气象和公交暴露指标,且聚合精度高可能隐藏局部不可靠性。为此,研究人员提出了一个多源机器学习框架,旨在路段方向级别进行短时预测,评估局部可靠性,并验证气象和公交变量的补充价值。该研究发表在《Sustainability》。

**研究内容与结论**
研究人员在土耳其代尼兹利市中心6条主干道的32个物理路段(共60个路段方向目标)上构建了框架。将FCD(通过商业API获取)、TCC感应线圈数据(速度、流量、占有率)、历史天气(代码、降水、温度、能见度)和基于动态PCU(乘客车单位)的公交暴露指标(通过GPS和时刻表计算)整合到15分钟时间分辨率的结构中。使用线性回归、随机森林(RF)、LightGBM和长短期记忆网络(LSTM)四种模型,在严格按时间顺序划分的训练-验证-测试集上评估。结果表明,基于树的集成模型(RF和LightGBM)在聚合测试集上表现最优(MAE约6.75秒),但路段方向级分析显示:RF在20个路段方向取得最低MAE,LSTM和LightGBM各18个,线性回归仅4个,说明无单一模型普适。SHAP(Shapley加法解释)分析表明,时间变量(中位贡献49.5%)和交通状态变量(36.2%)主导预测,气象(7.2%)和公交暴露(3.3%)提供补充;留一组剔除实验证实所有变量组均有统计显著贡献。研究还发现错误在空间(特定走廊和路段)和时间(早晚高峰)上集中,且在代表性路段上模型能跟踪日常模式但平滑了尖峰。

**关键技术方法**
研究采用的关键技术包括:多源数据融合,将FCD、TCC感应线圈、天气和公交暴露在15分钟路段方向结构中统一;PCU(乘客车单位)方法将公交流量转化为动态交通负荷指标,其中公交基于GPS轨迹,小巴基于时刻表与FCD速度代理;循环编码(正弦与余弦)处理小时特征以保留时间周期性;按时间顺序的独立路段方向模型训练与评估,避免信息泄露;SHAP(Shapley加法解释)用于特征组贡献量化;留一组剔除实验验证边际价值。样本队列来源为代尼兹利市中心6条主干道的32个物理路段,数据来自商业API(FCD)、历史天气API、市政TCC网络及公交GPS/时刻表,最终保留60个路段方向,每方向12,478个观测(共748,680个)。

**研究结果**
**7.1 整体模型性能**:在聚合测试集上,LightGBM(MAE=6.750秒)和随机森林(MAE=6.752秒)表现最优,均显著优于线性回归(8.189秒),LSTM(6.898秒)居中。树模型约降低MAE 17.6%,但LightGBM与RF差异极小,表明树模型家族整体稳健。
**7.2 路段方向级模型比较**:RF在20个路段方向取得最低MAE,LSTM和LightGBM各18个,线性回归4个。LSTM在局部胜出时对应更高的目标变异性(标准差13.98 vs 12.26秒)和自相关性(0.895 vs 0.862),提示序列模型在持久但波动大的路段上有用。路段方向MAE中位数(RF=3.971秒、LightGBM=4.083秒)远低于均值(6.752秒、6.750秒),说明少数高误差路段拉高了整体。
**7.3 走廊级性能模式**:走廊2(Adliye–Tiyatro)中位MAE最高(7.554秒)且平均R2最低(0.134),显示建模挑战最大;走廊6(YSE–Cinar)中位MAE较高但R2(0.724)较高,表明模型能捕捉变异性;走廊4和5中位MAE较低但最大MAE大,误差集中在特定路段方向。高误差路段(如R_H_Kosk–Tiyatro)与高目标变异性和弱探测器关联有关。
**7.4 代表性路段方向的预测行为**:选取G_Yuksektepe–Bagbasi路段(LightGBM MAE=4.150秒),与观测序列对比发现模型能跟踪日常模式(均值67.26秒 vs 预测66.63秒),但平滑了尖峰(最大观测100秒 vs 预测85.90秒),75%的绝对误差低于5.70秒。
**7.5 日内误差模式**:LightGBM绝对误差在夜间最低(均值4.158秒,中位数1.724秒),早晚高峰升至8.515秒和9.523秒,90%分位误差从夜间12.150秒扩至高峰25.814秒,误差在高峰时段因大偏差出现而显著增加。
**7.6 基于SHAP的特征组贡献**:时间变量中位贡献49.5%,交通状态36.2%,气象7.2%,公交暴露3.3%。变量层面,流量(13.8%)和夜间时段(12.8%)贡献最大。留一组剔除实验:移除时间变量使聚合MAE增加1.141秒,交通状态0.192秒,气象0.116秒,公交0.061秒,且所有差异经Holm校正后仍显著,证实补充价值。
**7.7 模型间差异统计评估**:Friedman检验显示四模型MAE分布整体显著差异(χ2=131.79,p<0.001),配对Wilcoxon检验表明LightGBM、RF、LSTM均显著优于线性回归(p<0.001),但LightGBM与RF之间无显著差异(p=0.999),LSTM与RF、LightGBM之间也无显著差异(p>0.05)。
**7.8 综合评估**:多层级分析揭示,模型性能不仅取决于算法选择,还受空间(路段方向、走廊)和时间(日内时段)异质性影响。树模型整体稳健,但局部最佳模型分布表明需针对具体路段方向选择模型。

**讨论与结论**
讨论部分指出,主要发现是树模型在制表型多源数据上自然占优,但无单一算法对整个网络普适。LSTM的低聚合性能并不否定其序列建模能力,而是受样本量、短测试窗口和制表变量的强信号影响。多源融合(FCD、TCC、天气、公交)在中等城市可统一为鲁棒框架,SHAP和剔除实验确认时间与交通状态主导,天气和公交提供小但一致的调整。路段方向方法揭示了走廊级模型掩盖的局部问题,对交通控制中心(TCC)具有操作意义:低误差路段可直接集成,高误差路段需人工审查。公共汽车和小巴的观测不对称(小巴依赖时刻表代理)和短期数据(1月5日至5月14日)是主要局限性,未来需纳入全年数据、事故记录和几何变量,并比较空间-时间架构。结论翻译如下:
本研究开发并评估了一个多源机器学习框架,用于代尼兹利市中心的15分钟路段方向级短时行程时间预测。通过将FCD行程时间、TCC检测器变量、气象变量和公共交通指标整合到统一的制表结构中,对60个路段方向进行了稳健分析。结果表明,虽然基于树的集成模型在此多源制表预测问题中极具竞争力,但路段方向级评估警示不应采用单一通用模型。具体地,随机森林在20个路段方向取得最佳局部结果,LSTM在18个,LightGBM在18个,线性回归在4个。这一分布表明模型性能对局部交通条件和数据特征高度敏感。此外,走廊和日内分析揭示预测误差在空间和时间上异质,不确定性集中在特定路段和高峰时段。本研究的主要贡献是一个针对中等城市的、经时间顺序评估且可操作的预测框架,为TCC操作员提供双层工具:准确的短时预测和局部可靠性剖面,以指示自动化干预是否合适或需人工审查。未来研究应纳入长期季节性数据、标注事故、几何变量、预测区间评估和空间感知建模结构,以增强科学解释力和实际可用性。超出预测性能,该框架在可持续城市交通中具有赋能作用:更可靠的信息可支持动态路径引导和交通管理,从而间接减少延误、燃料消耗和排放,但本研究未量化环境效益,需通过现场或仿真实验验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号