面向发展中地区数据稀缺环境的多模态深度学习道路行驶速度预测：融合卫星影像与天气信息以改进路径规划

《Transportation Research Interdisciplinary Perspectives》：Better routing in developing regions: Weather and satellite-informed road speed prediction

　　

不准确的数字道路网络显著增加了发展中数据稀缺环境中分析应用的使用难度。就路径规划而言，数字道路网络最重要的特征是道路行程时间/速度信息。在发展中地区，此类信息往往未知，且高度依赖天气（如降雨）。这种不确定性可能导致车辆出现非预期延误。现有行驶速度预测方法多面向短时时间范围，依赖车辆位置、道路平均速度和交通流模式等数据源，而这些数据在发展中地区通常不可获得。该文提出一种新的深度学习方法，利用全球定位系统（GPS）轨迹数据和开源卫星影像预测数据稀缺环境中所有道路的行驶速度。所提方法能够预测此前未观测道路的速度，并纳入由一天中的时段和过去1小时降雨量所刻画的具体情形。研究人员与组织PemPem合作开展案例研究，验证了该方法的有效性；在预测道路平均行驶速度（包括未出现在GPS轨迹数据中的道路）时，达到8.5 km/h的平均均方根误差（RMSE）。

研究背景与问题：联合国可持续发展目标（SDGs）的实现依赖高质量数据分析，但在发展中数据稀缺环境中，准确数字道路网络及其道路行程时间/速度信息常不可得。就路径规划而言，速度信息决定最优路线；发展中地区速度限制数据缺乏或不可靠，研究所关注区域内OpenStreetMap（OSM，开放街图）仅不足5%道路（不足4%总里程）有速度限制信息，且行驶速度受降雨、昼夜等外部因素影响。现有速度预测方法多面向短时预测，依赖车辆当前位置、道路平均速度和交通流模式等，难以在出发前路径规划阶段使用，也难以预测未观测道路。为此，研究人员与PemPem合作，利用其配备全球定位系统（GPS）跟踪器的卡车轨迹，在数据稀缺条件下预测路网中所有道路的平均行驶速度，并纳入一天中的时段与过去1小时降雨量所刻画的情形。

研究人员提出一种多模态深度学习方法，利用GPS轨迹数据、开源卫星影像、天气和昼夜信息预测道路平均行驶速度，可覆盖未出现在GPS轨迹数据中的道路；在印度尼西亚苏门答腊案例中，预测包括未观测道路的平均道路行驶速度达到平均均方根误差（RMSE）8.5 km/h。其意义在于为发展中地区路径规划提供可用的速度信息，并说明以卫星与天气等外部数据增强组织运输数据可缓解数据稀缺。

方法上，研究以PemPem在印度尼西亚苏门答腊运营区域2020年1月至2021年6月的车辆GPS轨迹为样本队列，经轨迹匹配获得184,160条速度记录、覆盖17,493条道路；融合Sentinel-2A卫星影像、短波红外（SWIR）信息、OpenWeather过去1小时降雨及昼夜状态，构建卷积神经网络（CNN）与表格特征融合的前馈网络，以RMSE和平均绝对误差（MAE）评估，并进行SHAP（基于Shapley值的解释方法）、Grad-CAM（梯度加权类激活映射）、消融与敏感性分析。

研究结果：（1）数据与预处理：GPS轨迹经匹配形成道路—时间—速度记录，并叠加卫星影像、SWIR信息、降雨类别和昼夜状态；测试集区分已知道路与未在轨迹数据中出现的未知道路，以保证评估能反映对未观测道路的预测能力。（2）最佳模型配置：通过网格搜索和验证集比较选择超参数，最佳配置在验证集取得较低均方误差（MSE），且与次优配置接近，表明参数选择较稳健；学习曲线未显示明显过拟合，训练与验证损失接近。（3）测试数据评估：模型在已知道路上的RMSE为8.2 km/h、MAE为6.5 km/h，在未知道路上的RMSE为8.7 km/h、MAE为6.9 km/h，平均RMSE约8.5 km/h；已知与未知道路性能差距较小，表明模型未过度依赖训练道路并能预测未观测道路，预测总体趋于保守并靠近平均速度。（4）所提模型预测评估：模型可为PemPem运营区域内所有道路预测不同情形下的速度；不同情形间最大百分比差异多在10%—35%，最大绝对差异略低于10 km/h；部分道路对降雨和黑暗更敏感，重雨后及黑暗条件下预测速度较低。基于8,405个距离至少2.5 km的起讫点（OD）对，按行程时间优化路线相较按距离优化路线平均降低12.3%行程时间，超过23.8%的OD对平均可降低至少20%；路网预测图显示核心路网速度较高，部分新增或质量较差道路速度较低。（5）消融与敏感性分析：去除卫星影像后性能显著变差，未知道路RMSE约10.9 km/h，而原模型约8.7 km/h；仅用表格信息或线性模型难以达到原模型效果。去除降雨或昼夜特征的场景在本案例中结果相近甚至略好，但纳入全部信息仍取得较低MSE；不同降雨分类阈值下结果相近，说明本案例中模型对降雨分类不敏感，作者同时指出速度随情形变化显著的其他案例中纳入全部信息很可能更优。

讨论与结论（按原文结论概括翻译）：所提方法可利用GPS和卫星数据显著增强路网行驶速度信息；在印度尼西亚约7000 km²区域，预测平均行驶速度的平均RMSE为8.5 km/h。关键认识包括：准确预测道路行驶速度/时间对优化路径决策十分重要，尤其在道路网络数据更可能不完整或不准确的发展中地区；由于缺乏实时或极短期交通数据，传统路径方法常不适用于数据稀缺环境；基于纳入情形变量（如黑暗、强降雨）的预测速度而非仅按距离优化路线，可显著缩短行程时间，本案例中行程时间最多可降低20%；以卫星影像和天气数据等外部数据集增强组织运输数据，有助于在数据稀缺环境中应用组织数据。未来研究可检验该方法在其他地区的适用性，纳入沿海台风、滑坡等区域特定环境条件及长期气候变化影响，并探索迁移学习；还可整合驾驶行为和局部交通模式数据，以拓展至非偏远地区和高峰时段重要区域；在获得更多速度观测后，可放松道路质量均一性等假设，分段考虑道路并更真实地表示路网。