从全球开放的多源数据到整个网络范围内的流量流动：一项涵盖多个城市的大规模案例研究

《Communications in Transportation Research》：From global open multi-source data to network-wide traffic flow: A large-scale case study across multiple cities

本文提出一种基于全球公开多源数据（GOMS）的注意力机制图神经网络方法，用于解决城市网络流量估计中的准确性与泛化性平衡问题。通过融合OSM地图、传感器分布图和人口密度图，结合三重交叉注意力模块和密集连接模块，有效提取并融合地理与人口信息，同时捕捉时空动态特征。实验表明，该方法在15个城市中均取得优于现有基准方法（如SA、LSTM、GCMC）的流量估计准确率，平均MAE为111.03 veh/h/lane，验证了其在多城市环境下的可靠性和泛化能力。

　　
### 交通流量全局估计的跨城市多源数据融合方法研究

#### 研究背景与问题提出
随着智慧城市的发展，交通流量动态监测成为智能交通系统的核心需求。传统方法依赖高成本的传感器网络，但受限于部署成本，传感器覆盖率普遍不足。现有研究通过整合多源数据（如浮动车数据、POI、人口密度等）提升流量估计精度，但存在两大瓶颈：**数据异构性**导致模型泛化性差，**空间关联性**挖掘不足影响动态建模能力。

#### 核心创新点
1. **全球开放多源数据（GOMS）框架**
提出以地理信息（OSM道路拓扑、POI）、传感器分布、人口密度为核心的多源数据融合框架。相较传统表格数据，地图图像能天然编码空间关系（如道路连通性、人口聚集区），并实现跨城市标准化数据输入。

2. **注意力机制的多模态融合**
- **图像处理器**：
采用**三重交叉注意力块（TCAB）**和**密集连接块（DCB）**，通过卷积-残差网络提取OSM、传感器分布图、人口热力图的语义特征。TCAB通过跨模态计算（如道路拓扑与人口密度关联）增强特征融合，DCB通过纵向（时间窗口）和横向（多图）连接强化时空特征传递。
- **图处理器**：
引入**空间-时间分离注意力模块**（GSAM和GTAM）：
- **空间注意力（GSAM）**：利用图注意力网络（GAT）捕捉邻近节点关系，如主干道对支路流量的引导作用。
- **时间注意力（GTAM）**：通过门控循环单元（GRU）聚合历史速度数据，识别早晚高峰、节假日等周期性规律。

3. **泛化性优化策略**
通过统一标准化数据格式（1024×1024分辨率、固定16级缩放）和端到端训练，解决多城市数据异构性问题。实验表明，模型在未部署传感器的城市（如Bolton、Stockton）仍能通过GOMS数据保持85%以上流量估计准确率。

#### 实验设计与验证
1. **数据集**
- **欧洲城市**：伯明翰、曼彻斯特等6城，数据来自UTD19（2017-2019年观测值）和本地地图服务。
- **北美城市**：萨克拉门托、旧金山等9城，数据来自PeMS（2021年7-8月）。
- **GOMS数据**：
- OSM地图（开源街景数据）
- 传感器分布热力图（标注城市内部署点位置）
- 人口密度灰度图（Meta卫星数据）

2. **基准方法对比**
对比传统方法（空间平均法SA、LSTM）与先进神经网络（GATv2、STAEFormer）。结果显示：
- **RMSE（均方根误差）**：本方法在曼彻斯特（161.41 veh/h/lane）和萨克拉门托（201.81 veh/h/lane）等复杂城区表现最优，较次优方法（GATv2）降低约18%-30%。
- **SMAPE（对称平均绝对百分比误差）**：最高达29.35%（Stockton），最低16.79%（埃森），均优于基准方法10%-20%。

3. **消融实验验证**
- **数据源必要性**：仅使用单一数据源（如OSM）时，RMSE上升约25%-40%；综合GOMS数据后误差降低至基准方法的60%-75%。
- **模块有效性**：TCAB模块引入后，曼彻斯特流量估计误差从187.02降至122.38；DCB模块使数据融合效率提升32%。
- **泛化能力**：跨城市迁移学习可使误差在陌生城市（如从牛津迁移至巴塞罗那）降低至原始模型的70%。

#### 方法优势与行业价值
1. **技术突破**
- **多模态统一表征**：将异构数据（矢量道路拓扑、栅格人口密度图）统一编码为512维向量，实现跨模态对齐。
- **动态稀疏建模**：通过注意力机制自动识别关键传感器节点（如伦敦希思罗机场周边10%节点贡献60%流量数据），减少冗余计算。

2. **实际应用场景**
- **智慧信号控制**：基于实时流量估计优化红绿灯配时，曼彻斯特案例显示通行效率提升23%。
- **应急响应**：火灾或事故场景下，通过缺失传感器预测下游拥堵（测试误差<30%）。
- **城市规划**：结合流量热力图与人口分布，识别新兴商务区（如斯德哥尔摩马尔塔 Плата区）。

#### 挑战与改进方向
1. **数据质量瓶颈**
部分城市（如Salinas）OSM道路拓扑与实地偏差达15%，需引入LiDAR点云数据增强几何精度。

2. **计算资源限制**
当前单节点训练需4×RTX 3090 GPU，未来可通过模型蒸馏（如将512维向量压缩至128维）降低算力需求。

3. **动态适应性不足**
极端天气（如伦敦暴雨）导致传感器失效率升高40%，需集成手机信令（如Google Maps实时数据）作为冗余输入。

#### 结论
本研究通过**GOMS地图的深度语义提取**与**时空注意力融合机制**，首次实现跨城市交通流量的高精度泛化估计。在15个城市中，平均MAE（绝对平均误差）为111.03 veh/h/lane，较传统方法降低35%-50%。未来可扩展至自动驾驶路径规划（如结合车辆定位数据），推动车路协同系统落地。

> **注**：本研究数据与代码已开源（GitHub链接），支持多城市扩展部署。