信息融合视角下的长时交通预测研究综述：内在需求、方法创新与应用前景

本综述首次从信息融合视角系统梳理长时交通预测（LTP）领域，创新性地提出以计算效率、自适应性和可信性为核心的内在需求分析框架，全面归纳了面向多维度交通数据（流量、速度、活动）的预测方法，并深入探讨了其在城市交通韧性管理、系统风险预警与个人出行优化三大场景的应用价值，为智慧交通发展提供重要理论支撑。

　　

Section snippets

Preliminary knowledge

交通预测作为交通运输研究的核心领域，高度依赖信息融合技术。通过分析建模历史交通数据，旨在预测未来特定时段交通状态。交通信息涉及三个具有显著时空属性的核心要素：交通流（表征道路使用强度）、速度（反映交通效率）和活动（体现交通系统内部动态变量），共同构成多维度预测基础。

LTP methods based on internal requirements

长时交通预测作为信息融合驱动任务，需处理大规模长跨度时序数据的融合与特征提取，同时高效处理来自大型交通系统的实时信息[51]，这使得计算效率成为预测时效性的关键制约因素。与此同时，交通模式表现出强烈的动态特性（受众多波动因素影响），要求LTP模型具备对变化模式的自适应能力。此外，预测结果的可信性直接关系到决策质量，需通过增强模型可解释性来建立用户信任。针对这些需求，现有研究提出三类解决方案：

1. 1.

   计算效率优化：通过模型轻量化、分布式计算与时序压缩技术降低计算开销

2. 2.

   自适应机制：采用动态图神经网络、元学习与在线学习策略适应时空模式变化

3. 3.

   可信增强：引入可解释AI（XAI）技术、不确定性量化与对抗验证方法

Application scenarios of LTP

长时交通预测通过深度融合多源异构交通信息[86]，构建对未来交通状态的精准推演能力。凭借其前瞻性洞察（长预测跨度）与多维度输出（全面预测内容）的核心优势，已在诸多真实交通场景中得到广泛应用，涵盖从日常运营到应急响应、从宏观交通系统管控到微观个体服务的全链条场景：

• •

  常规城市交通韧性管理：通过长时预测优化信号控制、路网调度与公共交通资源配置

• •

  交通系统风险预警：对事故风险、拥堵传播与基础设施故障进行超前研判

• •

  个体出行决策优化：为出行者提供路径规划、时段选择与多模式接驳的个性化建议

Mainstream real-world datasets

长时交通预测主流数据集源自全球真实交通监测系统，覆盖多类交通场景与数据类型（如表5所示）。包括：美国加州PeMS系统、纽约市自行车共享数据、中国北京/上海/深圳的出租车轨迹数据等。这些数据集持续时间从数周至数月，采样频率5分钟至1小时，收集流量、速度、占有率等关键指标，为模型训练提供多维度基础。

Evaluation metrics

设x=x₁,…,x_n代表真实值，x?=x?₁,…,x?_n代表预测值，n为样本总数。常用指标包括：

1. 1.

   均方根误差（RMSE） RMSE(x,x?)=√(1/n∑ⁿ_i=1(x_i-x?_i)²)

   RMSE通过平方根运算放大较大误差的敏感性，能清晰反映预测偏差程度，值越小表明预测精度越高

Future work

交通系统中长时预测的发展既蕴含重大机遇也面临显著挑战。基于对现有方法及其局限性的综合分析，我们提炼出若干关键研究方向：跨模态融合机制优化、低资源场景下的高效学习、人车路协同预测框架构建，以及面向极端事件的预测韧性增强等。

Conclusion

长时交通预测作为高价值高挑战性任务，目前缺乏针对性综述研究。本文首创从信息融合视角系统考察现有方法，基于领域内在需求建立涵盖需求维度、方法体系、应用场景与性能评估的完整知识框架，同时详述主流数据集与评估指标，为后续研究提供重要参考基准。