基于异构数据源的多时间尺度交通预测轻量化架构研究

《IEEE Open Journal of Intelligent Transportation Systems》：Advanced Prediction of Traffic at Different Temporal Scales Using Heterogeneous Data Sources

本文针对城市交通管理中预测精度与计算效率难以兼顾的问题，提出了一种名为TrafficDatorNet的轻量级神经网络架构。该研究通过嵌入层捕捉传感器特征，结合密集层建模非线性关系，在保持高精度的同时显著降低计算成本。实验表明，该方法在短期（3-12小时）和长期（384小时）预测中均优于传统模型，为智能交通系统提供了可扩展的解决方案。研究还公开了包含交通流、气象、城市特征等多源数据的马德里交通数据集，推动领域内可重复研究。

　　

随着城市化进程加速，智能交通系统（ITS）面临着一个核心挑战：如何准确预测复杂多变的交通流量？现代城市中，交通动态受到传感器网络、气象条件、城市基础设施等多重因素影响，形成高度非线性的时空关系。传统预测模型往往陷入两难境地——要么牺牲精度追求效率，要么因计算复杂而难以实际部署。更棘手的是，大多数研究局限于短期预测（通常不超过数小时），且缺乏对异构数据的有效整合。

在这项发表于《IEEE Open Journal of Intelligent Transportation Systems》的研究中，西班牙萨拉戈萨大学的Ivan Gómez和Sergio Ilarri团队开发了一套创新解决方案。他们提出的TrafficDatorNet架构巧妙地将传感器嵌入层与密集神经网络相结合，既能捕捉每个监测点的独特特征，又能建模复杂的非线性关系。该研究的亮点在于突破了传统模型的时间尺度限制，实现了从3小时到16天（384小时）的全方位精准预测。

关键技术方法包括：1）构建融合交通传感器、气象数据、城市属性（车道数、道路类型等）和时间变量的马德里交通数据集（554个传感器，30个月数据）；2）采用嵌入层对传感器ID进行18维向量化表征；3）设计三层密集神经网络结构，使用LeakyReLU激活函数和Dropout正则化；4）基于Adam优化器进行模型训练，采用60%/20%/20%的数据划分策略。

实验设计与模型对比

研究团队在英特尔i7-1165G7处理器上对比了九类主流模型，包括LSTM（长短期记忆网络）、DCRNN（扩散卷积循环神经网络）等深度学习模型，以及随机森林等传统机器学习方法。所有模型使用统一的数据预处理流程和评估指标（MAE、RMSE、MAPE、R²）。

预测精度表现

TrafficDatorNet在3小时预测中达到R²=0.85±0.03，显著优于DCRNN（0.73±0.05）和LSTM（0.84±0.01）。在最具挑战性的384小时预测中，其R²仍保持在0.88±0.01，而对比模型普遍出现性能断崖式下降。特别在对马德里10397号传感器（位于极端大道关键路段）的16天预测案例中，模型成功捕捉到工作日/周末的周期规律，R²高达0.9791。

计算效率优势

训练时间仅47.92分钟，远低于DCRNN的15,560分钟和STGODE的2,791分钟。推理速度达到每批次0.42±0.08秒，满足实时应用需求。这种效率提升源于其线性空间复杂度O(N_s·d_e)，其中N_s为传感器数量，d_e为嵌入维度。

数据集创新价值

研究发布的马德里交通数据集包含45,000个数据点，传感器密度达0.069个/平方公里，不仅整合了传统交通流数据，还融入了温度、降水量、风速等气象指标，以及车道数、限速值等18类城市属性。与PeMS07（0.058个/平方公里）等现有数据集相比，其数据丰富度和时空覆盖范围均显著提升。

研究结论与意义

这项研究证实了轻量化架构在复杂交通预测任务中的巨大潜力。TrafficDatorNet通过摒弃复杂的图卷积或自注意力机制，采用直接的特征工程和神经网络设计，在保证精度的同时实现数量级的速度提升。其多时间尺度预测能力为城市交通管理提供了全新工具——既可用于实时拥堵预警（短期），也能支持基础设施规划（长期）。

研究严格遵循FATE（公平性、问责制、透明度、伦理）和FAIR（可查找、可访问、可互操作、可重用）原则，公开了完整代码和数据集。这种开放科学实践不仅促进学术共同体验证，更为智能交通系统的发展树立了新标准。未来，该框架可进一步整合社交媒体事件数据，用于异常流量预警，或作为数字孪生系统的核心引擎，模拟政策干预（如限行、公交优先）的连锁反应。

这项工作的核心启示在于：面对智慧城市的海量异构数据，精心设计的轻量模型可能比盲目追求复杂度更具实用价值。当其他研究沉迷于增加模型深度时，Gómez和Ilarri团队证明，通过合理的特征表达和架构设计，完全可以在效率与精度之间找到最优平衡点。