基于多源数据的大都市规模韧性可信交通流量推断

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Metropolis-scale resilient and trustworthy traffic flow inference using multi-source data

　　

•基于神经过程的全网络交通状态推断框架。
•定制的注意力偏置缓解了联合交通推断子任务间的跷跷板效应。
•联合量化并良好校准偶然不确定性。
•在多方面感知干扰下具有强大的韧性。
•构建了一个大都市规模的多源数据集以基准测试所提出的方法。
引言
准确、实时且具有预测性的交通状态信息是智能交通系统（ITS）中进行全网络监控和控制的基础。然而，固定检测器的采购、安装和维护成本高昂，通常将部署限制在网络的一个稀疏子集上，留下了大量的空间盲点。在此背景下，全局交通状态推断（GTSI）扮演着关键角色，它通过稀疏观测推断整个道路网络（包括未观测路段）的当前和未来交通状态。
近年来，深度学习在建模交通流动力学方面取得了重大进展。特别是，循环神经网络（Ma et al., 2025）、图神经网络（Li et al., 2018, Liu et al., 2025, Song et al., 2020, Wang et al., 2022, Wu et al., 2020, Yu et al., 2018, Zhao et al., 2020）和 Transformer 式学习器（Do et al., 2019, Liu et al., 2023, Liu et al., 2024b, Zhang et al., 2025b）显著提高了观测点处的预测精度。除了预测之外，对观测交通状态的表征也得到了积极研究（Wang et al., 2025）。此外，研究重心正从观测传感器处的预测和状态表征转向全局状态估计（Liu et al., 2019, Mei et al., 2023, Xu et al., 2023, Xu et al., 2025b, Zhou et al., 2025b）和预测（Hu et al., 2025, Yang et al., 2023, Yang et al., 2024, Zhou et al., 2025a）。尽管取得了这些进展，仍然存在一些挑战。
首先，现实世界的感知网络受到多方面干扰的影响。短期内，通信中断和环境干扰导致临时数据丢失。长期来看，检测器可能永久失效，新传感器可能会被部署，导致感知网络结构发生变化。在实践中，这些干扰并非孤立发生，而是共存并持续演化，对交通感知系统的韧性提出了基本挑战。虽然交通基础设施在自然灾害和突发事件下的韧性已得到广泛研究，重点关注容量下降和中断后的恢复（Li et al., 2025, Yao et al., 2025），但对智能交通系统（ITS）的网络 - 物理韧性（即在固定感知基础设施遭受物理中断时，状态推断层保持可靠和功能的能力）的关注则少得多（Liu and Chen, 2026）。在受此类多方面且不断演化的干扰影响下运行的交通感知网络中，这一差距尤为明显。从建模角度来看，大多数现有工作针对的是瞬时缺失数据的填补（Liang et al., 2022），而感知网络的结构变化仍未得到充分探索（Zhou et al., 2025a）。此外，许多现有方法是传导式的（Bahadori et al., 2014, Nie et al., 2023a, Zhang et al., 2020）。因此，感知拓扑的变化会使学到的模型失效，并需要昂贵的重新训练，这凸显了感知环境中对多方面干扰的韧性有限。
其次，大规模 GTSI 本质上是一个具有多个不确定性来源的欠定逆问题。未测量的潜在因素引入了内在随机性（Zhang et al., 2025a），而空间稀疏的测量允许存在多个与观测一致的可能解。这些因素的相互作用导致推断的交通状态中存在复杂的不确定性。可靠地量化这种不确定性是可信推断的先决条件，因为它使决策者能够评估推断状态的置信度并采取相应行动。然而，现有关于交通推断中不确定性量化（UQ）的工作主要针对观测地点的预测（Cheng et al., 2024），而关于推断未安装设备路段状态的不确定性量化仍然有限。此外，我们注意到浮动车等移动感知可以遍历整个道路网络，为固定检测器无法到达的路段提供互补的交通状态观测，如行驶速度和浮动车计数（Badran et al., 2024, Tettamanti et al., 2024）。由于这些变量与交通流量相关，它们可以提供额外的观测约束，有助于减少欠定性。然而，浮动车数据（FCD）通常渗透率较低，导致其观测在时空上稀疏。为此，融合这两种数据源为联合约束 GTSI 提供了一条有前景的途径；然而，关于此类多源融合的大规模实证证据仍然稀缺。
第三，GTSI 可以自然地分解为三个紧密相关的子任务：(1) 观测地点的预测，(2) 未观测路段的实时状态估计，(3) 未观测路段的预测。这些子任务的统一框架具有吸引力，因为它可以提高计算效率并避免维护单独的模型。然而，这三个子任务在不同的信息机制下运行，因此有利于异构且有时相互冲突的时空建模假设。具体来说，观测地点的预测受益于保持地点特定的变化和时间动态，而未观测地点的估计更依赖于空间平滑和共享的空间模式。未观测地点的预测缺乏特定目标的历史数据，因此更强烈地依赖于鲁棒的时空共同模式。
然而，这三个子任务对共享的时空表示提出了部分冲突的要求。空间上，观测地点的预测受益于保持地点特定的变化，而未观测地点的估计则更依赖于抑制这些变化并利用地点间共享的更平滑的空间模式。时间上，对未来预测更依赖于稳定的时间趋势，因此有利于抑制短期波动，而实时估计可以保留更多当前的时间变异性。未观测地点的预测结合了这两方面的要求，更严重地依赖于跨地点和时间泛化的时空平滑模式。先前的工作（Zhou et al., 2025a）表明，这些相互竞争的偏好可能在子任务间引起跷跷板效应，即提高一个子任务会以另一个子任务的牺牲为代价，使得联合建模变得不平凡且仍很大程度上未被探索。
为了应对这些挑战，我们协同利用浮动车数据（FCD）和稀疏固定检测器，将 GTSI 表述为一个随机过程，并提出任务感知注意力神经过程（TA-ANP）以实现全局交通状态的韧性和可信推断。本工作的主要贡献有四个方面。
•我们将多方面干扰引起的每种固定传感器配置表述为一种独特的推断上下文，并开发了一种上下文条件元学习神经过程，该过程能够适应感知拓扑变化而无需昂贵的重新训练。复合干扰下的实验证明了在干扰吸收、性能恢复和适应未见感知配置方面的韧性。
•我们提出了偶然不确定性和认知不确定性在 GTSI 上下文中的操作性定义，并整合神经过程和蒙特卡洛（MC）Dropout 以同时捕捉这两种类型的不确定性。我们进一步验证了估计的不确定性与推断误差之间校准良好，并能有效支持后续决策，例如多源数据环境中的固定传感器布设。
•我们提出了一种具有任务特定查询投影的交叉注意力机制，能够针对不同子任务的差异化时空归纳偏置自适应地聚合上下文信息。这种设计有效地减轻了统一注意力空间中的跨任务干扰，缓解了三个 GTSI 子任务间的跷跷板效应。
•我们构建了一个大都市规模的多源城市交通数据集，并将 TA-ANP 与七个代表性基线进行基准测试。TA-ANP 在确定性精度指标和概率评分规则下均取得了最佳性能。为了可重复性，我们公开发布了处理后的数据集（Zhou, 2026a），并在 GitHub 上公开了 TA-ANP 的实现。
本文其余部分组织如下：第 2 节回顾了相关文献。第 3 节提供了问题的形式化描述。第 4 节详细说明了提出的 TA-ANP。第 5 节报告了所提方法的性能和消融结果。第 6 节总结了全文。
章节片段
全局交通状态推断（GTSI）
GTSI 的核心挑战在于从空间稀疏的观测中恢复全网络交通状态，这通常使问题变得不适定。在实践中，这需要引入额外的约束来缩小可行解空间。根据如何施加此类约束，现有方法大致可分为三类：(1) 在优化建模中施加显式数学结构，(2) 嵌入时空建模假设或问题形式化
问题形式化
我们在一个道路网络上研究全局交通状态推断（GTSI），该网络包含路段集 ??，历史窗口 ??={1,?,??} 和未来窗口 ???={??+1,?,??+??}。我们将完整的时空域表示为 ??=??×(??∪???)。每个时空点 (ν, t) 由一个恒等向量 x(ν, t) 表示，该向量串联了 (i) 时间特征 τt (例如一天中的时间和星期几)，(ii) 静态道路属性 sν (例如道路等级和车道数)，(iii) 动态道路表示 eν,T
方法学
上述随机过程视图的自然贝叶斯实例化是高斯过程（GP）。GP 的基本前提在于通过协方差函数（即核函数）k(x, x′) 编码不同位置之间相关性先验知识。利用这些相关性，GP 对上下文集中的观测信息进行最佳加权组合，以推断任何目标点的状态。这一特性使 GP 能够灵活拟合复杂动态
数值实验
本节评估了 TA-ANP 在路段层面的大都市规模 GTSI 在城市道路网络上的表现。为了支持此评估，我们通过整合以下数据构建了大都市多源交通数据集（MMTD）：(i) 马德里市政府发布的固定环路传感器测量数据（Ayuntamiento de Madrid, 2026b），(ii) 由 TomTom (2026) 提供的浮动车交通统计，(iii) 一个 OpenStreetMap (OSM) 道路网络（Boeing, 2025），(iv) 以及马德里发布的车道计数注释
结论
本文解决了全局交通状态推断（GTSI）中的三个相互关联的挑战。这些挑战包括对多方面感知干扰的韧性、用于可信推断的不确定性量化以及统一框架内三个 GTSI 子任务的联合建模。为此，我们提出了 TA-ANP，它融合浮动车数据与稀疏固定检测器，将 GTSI 表述为随机过程，并引入具有差异化时空
关于稿件准备过程中生成式 AI 和 AI 辅助技术的声明
在准备本工作期间，作者使用了 Codex (OpenAI) 来改进稿件的语言和可读性。在使用此工具后，作者根据需要审查和编辑了内容，并对出版内容承担全部责任。
CRediT 作者贡献声明
Qishen Zhou：写作 – 初稿，软件，方法学，调查，形式分析，概念化。Yifan Zhang：写作 – 审阅与编辑，方法学，概念化。Michail A. Makridis：写作 – 审阅与编辑，监督。Anastasios Kouvelas：写作 – 审阅与编辑，监督。Yibing Wang：写作 – 审阅与编辑，监督，资金获取。Simon Hu：写作 – 审阅与编辑，监督，资源，资金获取。
Qishen Zhou|Yifan Zhang|Michail A. Makridis|Anastasios Kouvelas|Yibing Wang|Simon Hu