综述:智能交通系统中的交通流预测:图神经网络与混合深度学习方法的全面综述

《Algorithms》:Traffic Flow Prediction in Intelligent Transportation Systems: A Comprehensive Review of Graph Neural Networks and Hybrid Deep Learning Methods Zhenhua Wang, Xinmeng Wang, Lijun Wang, Zheng Wu, Jiangang Hu, Fujiang Yuan and Zhen Tian

【字体: 大 中 小 】 时间:2026年04月18日 来源:Algorithms 2.1

编辑推荐:

  本综述系统回顾了智能交通系统(ITS)中交通流预测的前沿方法。聚焦于2023-2025年的最新进展,文章围绕图神经网络(GNN)与混合深度学习两大主线,梳理了联邦学习、动态图、多图融合、跨域整合四大GNN范式,以及结合信号分解、启发式优化与注意力机制的LSTM混合模型。该文为研究者提供了清晰的方法论框架与技术演进脉络,并指出了模型可解释性、泛化能力等挑战与未来方向,对交通管理与城市计算领域的学者与从业者具有重要参考价值。

  
在当今城市化进程加速的背景下,交通拥堵已成为制约城市运行效率、造成巨大经济与环境损失的顽疾。据全球城市交通报告估算,主要大都市区每年因拥堵导致的直接生产力损失、额外燃油消耗及环境外部成本高达数十亿美元。因此,作为智能交通系统(ITS)的核心能力,精准的短期交通流预测对于缓解拥堵、优化交通管理、提升路网整体效率至关重要。
交通流预测领域的研究方法历经了显著演进。早期主要依赖ARIMA等经典时间序列模型,其将交通视为季节性平稳过程,虽具参数可解释性优势,但在突发的非平稳条件下往往失效。随后,循环神经网络(RNN)和长短期记忆网络(LSTM)等深度学习方法的引入,证明了循环网络能够从远程微波传感器数据中学习速度的长期时间依赖性,其性能显著超越统计基线模型。然而,城市交通固有的随机性、强非线性、突变性以及复杂的时空耦合特性,对这些模型的鲁棒性和泛化能力构成了持续挑战。
近年来,图神经网络(GNN)的兴起为交通流预测带来了革命性视角。与处理规则网格数据的传统神经网络不同,GNN专为处理非欧几里得结构的图数据而设计。其核心在于消息传递机制,通过迭代聚合节点邻域信息来更新节点表征,从而有效捕捉路网拓扑结构内复杂的空间依赖关系。其中,图卷积网络(GCN)作为经典且有影响力的模型,成功将卷积概念适配至图域。其层间传播规则实现了局部谱滤波,基于节点直接邻居的聚合特征计算每个节点的特征表示。一个GCN层的操作可形式化表示为 H(l+1)= σ( D?-1/2? D?-1/2H(l)W(l)),其中 H(l)∈ R|V| × dl表示第l层的节点特征矩阵,W(l)是层特定的可训练权重矩阵,σ(·) 表示ReLU等非线性激活函数,而 D?-1/2? D?-1/2则是归一化的邻接矩阵,是GCN的关键组成部分。图2展示了具有ReLU激活函数的多层GCN整体架构,阐释了节点特征在层间的传播过程。
本综述将基于GNN的预测方法系统归纳为四个机制驱动的新范式:
首先,是联邦学习与隐私保护方法。随着数据隐私关切日益加剧,能够在保护各区域敏感数据的同时实现跨区域协同训练的联邦学习框架,从概念提议走向了生产环境中的应用,为实际部署提供了可行的隐私解决方案。
其次,是动态自适应图结构方法。早期的GNN应用多采用预定义的静态图拓扑,难以捕捉交通网络中随时间变化的动态空间依赖。新一代方法致力于从数据中学习动态演化的图结构,使模型能更好地适应交通状态的实时变化。
第三,是多图融合与注意力机制方法。交通系统的复杂性往往需要从多视角(如空间邻近性、功能相似性、交通模式相关性等)进行建模。通过构建多个图并利用注意力机制自适应地融合来自不同图的特征表示,可以显著增强模型的表征能力。特别是Transformer的自注意力架构与GNN编码器的系统集成,实现了大规模并行的时空建模。
第四,是跨域技术整合方法。此范式强调将新颖的架构与跨学科技术相融合。例如,将交通流动力学的物理理论(如相变行为、跟驰模型)与数据驱动模型结合,形成物理信息驱动的混合建模策略,确保模型输出符合物理规律,实现从“预测”到“决策支持”的功能飞跃。
除了纯GNN方法,综述还深入探讨了混合深度学习方法。这些方法主要针对交通流的非平稳性和模型优化挑战,通过三条路径实现:将信号分解技术(如VMD、CEEMDAN)与LSTM网络结合,以处理原始流量序列中的复杂模式;引入启发式优化算法来调整深度神经网络的超参数,提升模型性能;系统地将注意力机制与LSTM集成,以增强对长程依赖和关键时间步的捕捉能力。
尽管技术进步显著,当前研究仍面临诸多挑战。模型的计算复杂度 在扩展到城市级传感器部署时可能带来难以承受的推理延迟,影响实际适用性。模型可解释性 的缺乏使得“黑箱”决策难以被交通管理者理解和信任。此外,在多样化的道路网络和交通条件下,模型的泛化能力 仍有待提高。
展望未来,多个方向值得深入探索。轻量化模型设计 旨在保持精度的同时降低计算开销,以适应边缘计算设备。不确定性量化 能够为预测结果提供置信区间,辅助风险感知的决策制定。多模态数据融合 则主张整合来自环形线圈、摄像头、GPS、社交媒体乃至天气信息的异构数据,以构建更全面的交通态势感知。最后,预测模型与交通控制系统(如自适应信号控制、匝道计量)的深度集成,是实现预测价值闭环、产生实际社会效益的关键。
总之,这篇综述通过一个系统的二维分类框架,涵盖了2023年至2025年最新的GNN进展与混合深度学习方法,不仅为研究人员和实践者提供了关于交通流预测最新发展的结构化理解,也为不同应用场景下的方法选择提供了实用指导,并勾勒出通往更智能、高效、可靠未来交通的清晰技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号