《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Interpretable long-term traffic modelling on national road networks using theory-informed deep learning
编辑推荐：
本研究提出DeepDemand，一种基于理论约束的深度学习框架，用于国家公路网长期交通流量预测。该框架引入了两项方法论创新。第一项创新是围绕竞争性双源Dijkstra算法构建的预处理流程：针对每条目标路段，提取其出行可能使用该路段的局部起点与终点区域，随后通过
本研究提出DeepDemand，一种基于理论约束的深度学习框架，用于国家公路网长期交通流量预测。该框架引入了两项方法论创新。第一项创新是围绕竞争性双源Dijkstra算法构建的预处理流程：针对每条目标路段，提取其出行可能使用该路段的局部起点与终点区域，随后通过最短路径对候选起讫点（OD）对进行筛选。第二项创新是构建一个可微模型，该模型学习OD交互作用与出行时间阻抗函数，并将筛选后的OD对聚合成路段级交通流量，模型直接以观测到的路段流量计数为训练目标。就四阶段出行需求模型（TDM）而言，该框架将TDM作为架构先验而非字面实现：起点与终点编码器表征出行生成与吸引，竞争性双源Dijkstra结合OD对筛选以及学习得到的出行时间阻抗函数共同表征出行分布，而将筛选后的OD对可微聚合为路段流量则实现了交通分配的粗粒度近似。由于城际公路网以汽车为主导，方式选择不在该框架的研究范围内。这一设计带来三点贡献。第一，DeepDemand仅依据外部社会经济特征与网络结构，即可在单一可微模型中直接预测真实世界的路段级交通流量，无需历史流量计数、探针数据或观测OD矩阵。第二，该框架具有空间可迁移性，在国家尺度上对留出区域进行空间交叉验证时仍能保持预测精度。第三，该框架具有可解释性，能够恢复稳定的出行时间阻抗函数、与预测需求最相关的社会经济特征以及多中心OD交互结构，可供规划与政策分析使用。
论文解读
一、研究背景与问题
交通建模是交通规划与政策制定的基础。道路交通承担了大部分客运出行，且全球机动车保有量持续上升，尤其在城市快速扩张地区更为显著。准确的交通流量估计对于基础设施投资与维护规划、拥堵缓解、空气质量与碳排放管控以及环境与公共健康影响评估至关重要。
近年来，该领域大量研究聚焦于短期交通预测，利用历史传感器数据预测未来数分钟或数小时的交通状态。这类方法在实时监测与运营控制方面效果显著，但并不适用于长期规划任务。规划问题往往涉及未来人口变化、土地利用开发或基础设施改造，且经常需要在缺乏历史交通计数或历史数据不再具有代表性的地区开展。在此类情境下，可靠的预测必须依赖外部社会经济驱动因素与网络结构，而非对近期观测的外推，同时应保持跨空间的可解释性与可迁移性。
对于长期出行需求预测，标准方法是四阶段出行需求模型（TDM），该方法将出行行为分解为出行生成与吸引、出行分布、方式选择与交通分配四个步骤。TDM提供了从分区社会经济输入到起讫点（OD）矩阵再到路段级流量的清晰映射，其模块化结构与行为学基础使其数十年来成为规划实践的核心工具。然而，TDM在实际应用中往往依赖限制性函数形式、粗粒度空间分区与固定阻抗假设，且其顺序结构将各步骤视为相互独立，而现实中目的地选择、方式选择与路径选择紧密关联。因此，基于TDM的工作流程通常需要反复校准OD矩阵与分配参数，在大空间尺度或新型规划情景下劳动强度大且难度日益增加。
鉴于上述局限，近期研究探索了机器学习作为TDM各步骤的替代方法，包括基于深度学习的引力模型替代传统出行分布公式、数据驱动的分区间出行需求预测、机器学习分类器用于方式选择预测，以及图神经网络近似交通分配与均衡行为。这些研究表明机器学习能够提升需求建模流程中特定组件的灵活性与预测性能。然而，大多数现有方法仅替代TDM的单一步骤，往往难以用行为学语言解释，且很少能以完全集成且可扩展的方式生成路段级交通流量。
综合来看，现有方法存在明显空白。第一，TDM具有可解释性与行为学结构，但依赖限制性函数形式、粗粒度分区与难以在大空间尺度维持的反复校准。第二，通用数据驱动模型能够捕捉复杂非线性关系，但缺乏显式网络推理与行为透明度，将输入直接映射到交通流量而不表征连接社会经济活动、可达性与道路网络到流量的需求机制。第三，迄今提出的机器学习方法各自仅解决需求模型的单一步骤，依赖步骤特定的监督信号（如观测OD流量或分配目标），没有一种方法能在完整需求到流量流程中端到端生成路段级流量，而这种针对性监督在无监测区域的长期规划中也很少可用。
二、研究内容与主要技术方法
针对上述空白，研究人员提出DeepDemand，一种基于理论约束的深度学习框架，用于国家公路网长期交通流量预测。该框架以TDM为架构先验，将TDM作为架构约束而非字面实现，通过单一可微模型直接从社会经济特征与网络结构预测路段级流量。
研究人员构建了五阶段框架，涵盖数据收集与预处理、局部OD区域提取与OD对筛选、深度学习模型训练、模型评估以及模型可解释性与政策洞察提取。研究数据包括英国全境驾驶网络图（约630万个节点与720万条有向边，源自OpenStreetMap）、英格兰与威尔士35,672个LSOA（下层超级输出区，约含1,000至1,500名居民的人口普查空间单元）的社会经济与人口特征，以及来自英国国家公路交通信息系统（TRIS）的观测交通流量作为真值，经筛选与聚合后共5,088条路段获得有效年均日交通量（AADT）标注。
研究采用的主要技术方法包括：第一，竞争性双源Dijkstra预处理流程，针对每条目标路段提取其出行可能使用该路段的局部起点与终点区域，并通过最短路径筛选候选OD对；第二，可微深度学习模型，学习OD交互作用与出行时间阻抗函数，并将筛选后的OD对聚合成路段级流量，直接以观测路段流量计数为训练目标；第三，空间交叉验证评估模型跨区域迁移能力；第四，可解释性分析揭示出行模式、关键特征与空间需求分布。
三、研究结果
数据收集与预处理。 研究人员将英国驾驶网络从OpenStreetMap提取并简化为拓扑连通的有向图，将LSOA级特征按人口加权质心分配到最近图节点，并将TRIS传感器流量空间匹配并聚合到图边。特征涵盖人口、就业、家庭与汽车保有量、收入与就业剥夺、土地利用面积与兴趣点（POI）等类别，经z-score标准化后应用主成分分析（PCA）降维。最终获得统一的富化图数据集，部分节点携带社会经济特征，部分边携带观测交通流量。
局部OD区域提取与OD对筛选。 针对每条目标边，研究人员通过竞争性双源Dijkstra算法提取局部起点与终点区域，筛选出出行可能使用该路段的候选OD对。该预处理确保每条边的预测仅由与该边功能相关的信息驱动，使深度学习组件专注于特征表征与非线性交互学习。
DeepDemand模型。 模型以TDM为架构先验：起点与终点编码器表征出行生成与吸引，竞争性双源Dijkstra结合OD对筛选以及学习得到的出行时间阻抗函数共同表征出行分布，将筛选后的OD对可微聚合为路段流量实现交通分配的粗粒度近似。由于城际公路网以汽车为主导，方式选择不在框架范围内。模型直接以观测路段流量计数为训练目标，无需历史流量计数、探针数据或观测OD矩阵。
模型评估。 研究采用随机交叉验证与空间交叉验证评估模型性能，并与基线模型比较。结果表明DeepDemand能够准确预测路段级AADT，且在空间交叉验证下对留出区域仍保持预测精度，证明其跨空间可迁移性。
可解释性与政策洞察。 可解释性分析揭示了稳定的出行时间阻抗函数、与预测需求最相关的社会经济特征以及多中心OD交互结构。这些发现可为规划与政策制定提供行为学层面的洞察。
四、讨论与结论
讨论部分指出，DeepDemand的设计带来三点核心贡献。第一，该框架仅依据外部社会经济特征与网络结构，即可在单一可微模型中直接预测真实世界的路段级交通流量，无需历史流量计数、探针数据或观测OD矩阵，填补了现有方法无法端到端生成路段级流量的空白。第二，该框架具有空间可迁移性，在国家尺度上对留出区域进行空间交叉验证时仍能保持预测精度，适用于缺乏交通计数的数据稀疏地区。第三，该框架具有可解释性，能够恢复稳定的出行时间阻抗函数、与预测需求最相关的社会经济特征以及多中心OD交互结构，为规划与政策分析提供行为学层面的支撑。
研究结论表明，DeepDemand以TDM为架构先验而非字面实现，将传统需求建模的行为学结构与深度学习的非线性表征能力相结合，实现了从社会经济驱动因素与网络结构到路段级交通流量的端到端预测，同时保持可解释性与跨空间迁移能力。该框架为长期交通规划中数据稀疏地区的流量估计提供了准确、可迁移且可解释的建模工具，对基础设施投资、拥堵缓解与环境政策评估具有重要实践意义。
