面向城市行程时间预测与智能路由的泄漏控制型混合时空深度学习评估框架：分离经验时间预测与受控图路由证据

《Sustainable Futures》：A hybrid spatio-temporal deep learning framework for urban travel time prediction and intelligent routing: Integrating recurrent and graph neural networks

　　

准确的短期行程时间预测对智能交通系统（Intelligent Transportation Systems, ITS）十分重要，但若未控制时间泄漏、图定义歧义、归一化误差单位、弱基线或未经检验的路由主张，所报告的增益可能具有误导性。该研究通过两条明确分离的证据流评估一个集成预测与网络地理信息系统（Web Geographic Information System, Web-GIS）框架。数据集A包含来自德黑兰的6,592条经验性平台衍生固定路线观测，并采用日内八步序列、10 min预测时域、按日级时间顺序划分、仅训练集缩放和物理单位误差进行评估。极端梯度提升（Extreme Gradient Boosting, XGBoost）是数据集A最强基准（测试决定系数（R²）=0.9197；均方根误差（Root Mean Square Error, RMSE）=1.9229 min），而经验证集选择的调优长短期记忆网络–循环神经网络（Tuned Long Short-Term Memory–Recurrent Neural Network, Tuned LSTM–RNN）是最佳神经时间配置（测试R²=0.8998；RMSE=2.1484 min）。事件分层分析显示事故期间存在明显失效情形（N=33；RMSE=7.2936 min），因此未声称对稀有扰动具有稳健性。数据集B为受控的模拟增强多路线实验，在确定性10节点路线交互图上包含10,000条同步记录。在三个随机种子下，RNN–GCN–Skip取得最佳图神经网络网络内结果（R²=0.9633；RMSE=2.885±0.023 min），仅较持续性基线（persistence）有适度改进。无泄漏扩展窗口堆叠将RMSE降至2.7443 min（R²=0.9668），尽管图神经基学习器获得的元权重可忽略。留一路线评估（leave-one-route-out）暴露出空间泛化差距：持续性最稳定（宏平均RMSE=2.706±1.239 min），而图神经模型在未见路线上退化。最后，在模拟走廊图上执行的标准Dijkstra基准表明，堆叠将平均实现路径行程时间从77.988 min降至76.729 min，相对最短距离路由节省1.259 min，并在88.6%的测试决策中匹配最优参考路径（oracle path）。数据集A的目标仍为导航平台估计值，无独立全球定位系统（Global Positioning System, GPS）地面真值；数据集B/路由结果为受控模拟证据。因此，贡献在于可复现、泄漏控制且面向部署的评估框架，而非声称图模型具有普遍优越性。

随着城市交通拥堵、出行需求增长与路网交互增强，短期行程时间预测已成为智能交通系统（ITS）的关键支撑；但既有研究报告的预测增益常受时间泄漏、图节点/边定义不清、误差单位归一化、弱基线以及未执行路由验证等问题影响。该研究并不以提出另一个循环神经网络（RNN）/长短期记忆网络（LSTM）/图卷积网络（GCN）组合为核心，而是构建并评估一个从预测到路由的端到端、可审计工作流，将经验固定路线时间预测与受控模拟多路线图实验明确分离。研究人员开展了两条证据流：数据集A为伊朗德黑兰经验固定路线导航平台衍生观测，数据集B为受控模拟增强10路线同步记录；两者不拼接训练。研究结论显示，经验数据上XGBoost为最强总体预测器，Tuned LSTM–RNN为最佳神经时间模型；事故条件构成明显失效情形；模拟图上保留路线特定循环状态是循环–GCN改进关键，图神经模型仅较持续性基线适度改进；无泄漏堆叠增益主要来自非图预测器；留一路线评估显示图神经模型空间迁移退化；执行式Dijkstra路由中堆叠仅带来适度决策收益。其意义在于提供一个可复现、泄漏控制、面向部署的评估框架，而非普遍图模型优越性主张。

关键技术方法
研究采用双证据流。数据集A为德黑兰经验固定路线导航平台衍生6,592条10 min观测，按完整日时间顺序划分44/10/10 d，构建日内8×6输入张量预测10 min ahead，仅用训练集估计缩放，以验证集选型，并在物理分钟单位评估RMSE、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）与R²，同时进行降雨/事故分层、日块自助法（bootstrap）和分组置换重要性分析。数据集B为受控模拟增强10路线10,000条同步记录，构建10节点33条有向边确定性路线交互图，比较GCN、时空图卷积网络（STGCN）、扩散卷积循环神经网络（DCRNN）及RNN–GCN–Skip等，执行skip消融、无泄漏扩展窗口折外（out-of-fold, OOF）堆叠、留一路线空间迁移及标准Dijkstra路由基准。

研究结果
3.1 基线与独立时间模型：在数据集A共同的泄漏控制协议下，独立LSTM测试R²=0.8907、RMSE=2.2430 min，独立RNN测试R²=0.8870、RMSE=2.2811 min；持续性基线测试R²=0.8573、RMSE=2.5629 min，线性/岭回归测试R²=0.8858、RMSE=2.2927 min；XGBoost取得最强总体基准表现（测试R²=0.9197；RMSE=1.9229 min；MAE=1.0650 min；MAPE=4.33%）。该结果表明强非神经基线对可信评估必要。

3.2 混合时间模型：RNN–LSTM与LSTM–RNN按串行结构实现；未调优混合模型相对独立循环模型仅有有限提升；经验证集选择的Tuned LSTM–RNN为最佳神经配置（测试R²=0.8998；RMSE=2.1484 min）。条件分层显示事故测试子集N=33时R²=-0.5135、RMSE=7.2936 min；日块自助法给出测试RMSE 95%置信区间1.918–2.353 min。该结果表明循环混合增益为增量式，事故条件为明确失效情形。

3.3 时空图模型与受控网络内评估：数据集B模拟图实验中，初始串行循环→GCN因图传播替代路线局部状态而表现较差；受控skip/拼接消融使RNN–GCN测试RMSE由8.2693降至2.8847 min（65.1%），LSTM–GCN由8.3016降至3.0719 min（63.0%），RNN–LSTM–GCN由8.1508降至2.8949 min（64.5%）。在共同网络内协议下，RNN–GCN–Skip取得最低验证RMSE（2.719±0.027 min）和测试R²=0.9633、RMSE=2.885±0.023 min，仅较持续性基线（2.950 min）约低2.2%；DCRNN为3.032±0.014 min，STGCN为3.662±0.011 min。该结果表明保留局部循环状态是关键，图上下文为互补信号而非普遍优越。

3.4 无泄漏集成评估与留一路线泛化：3.4.1 无泄漏堆叠：采用扩展窗口OOF预测训练Ridge元学习器，测试期堆叠取得R²=0.9668、RMSE=2.7443 min；元权重约为持续性0.571、XGBoost 0.422、RNN–GCN–Skip 0.005，将图神经预测加入持续性+XGBoost堆叠仅改进约0.024%。该表明堆叠增益真实但几乎全部由非图预测器驱动。3.4.2 留一路线评估：持续性最稳定（宏平均RMSE=2.706±1.239 min）；合并XGBoost宏平均RMSE=3.190±3.051 min，在10条路线中8条胜出但存在严重单路线失效；RNN–GCN–Skip与DCRNN分别退化至5.243±4.132和7.445±4.830 min。该表明网络内精度不等同于未见路线空间泛化。

3.5 执行式路由基准：在184个测试决策上对Azadi→Tehranpars非冗余两路径问题执行标准Dijkstra路由。最短距离路由平均实现行程时间77.988 min，当前状态路由76.827 min，XGBoost路由76.820 min，堆叠路由76.729 min；堆叠相对最短距离节省1.259 min（1.61%），平均后悔0.627 min，最优参考路径匹配率88.6%。实现路径行程时间标准差由15.616降至15.011 min；Dijkstra搜索约0.003 ms/决策。该表明路由决策层存在适度方法学效用，且不构成端到端实时时延或商业平台优越性主张。

讨论部分总结
经验时间预测表明，XGBoost总体最强，Tuned LSTM–RNN为最佳神经配置但相对独立循环模型增益有限；事故条件为明确失效情形，聚合指标不足以刻画扰动敏感性。分组置换重要性显示滞后行程时间主导下一步预测，交通峰值与时段提供较小增量，天气边际重要性低并不表示其行为上无关。图建模表明，保留局部循环状态并融合图上下文可显著改善循环–GCN，但网络内改进仅较持续性基线适度；无泄漏堆叠虽降低误差，却主要由持续性与XGBoost贡献，留一路线测试进一步显示网络内精度与未见路线迁移是不同属性。Web-GIS原型展示部署与可视化能力，科学路由实验则独立于浏览器端Mapbox路由执行；堆叠降低平均实现行程时间并降低P₉₅后悔，但研究未声称燃料消耗或排放收益，也未声称端到端实时性能。局限包括数据集A为导航平台估计且无独立GPS地面真值、稀有事件样本小、数据集B为模拟证据、数据集A神经结果为单种子、路由图较小且仅含两个非冗余备选路径、可持续性分析限于行程时间可靠性。

结论部分翻译
本研究提出一个泄漏控制框架，用于短期行程时间预测与决策感知路由，并将经验时间证据与受控模拟图实验分离。在经验数据集A上，XGBoost为最强总体预测器（测试R²=0.9197；RMSE=1.9229 min），Tuned LSTM–RNN为最佳验证选择神经模型（测试R²=0.8998；RMSE=2.1484 min）。这些结果说明循环混合提供增量而非变革性增益，强非神经基线对可信评估必要；条件分层分析进一步识别事故条件为明显失效情形。在模拟数据集B上，通过局部skip/拼接通路保留路线特定循环信息显著改善循环–GCN架构；RNN–GCN–Skip取得最强图神经网络内结果（RMSE=2.885±0.023 min），无泄漏堆叠取得最低总体数据集B测试RMSE（2.7443 min）。然而堆叠几乎全部增益来自持续性与XGBoost，留一路线测试显示图神经模型网络内精度不能自动转化为未见路线迁移；因此修订证据将网络内精度、集成收益与空间泛化作为独立属性报告。操作贡献为可执行且可审计的决策层，而非未经核验的商业平台优化主张。在受控Azadi–Tehranpars路由问题上，基于堆叠的动态边成本相对最短距离路由将平均实现行程时间降低1.259 min（1.61%），将P₉₅后悔降低约50%，并在88.6%测试决策中选择最优参考路径。由于多路线数据与路由轨迹为模拟，这些数值展示方法学决策效用而非实测真实世界节省。总体而言，主要贡献是连接经验时间预测、显式图构建、无泄漏集成设计、空间迁移测试、Web-GIS部署与执行式路径级评估的可复现工作流，同时保持各阶段证据边界明确。