可解释的机器学习与增强的微观仿真方法，用于形式化车道变换能力中的几何结构与行为之间的相互作用

《ADVANCED ENGINEERING INFORMATICS》：Interpretable machine learning and enhanced microsimulation for formalizing geometry–behavior interactions in lane-switching capacity

　　高雅聪|吴佩佳|周晨静|荣浩江|王毅
中国广州大学土木工程与交通学院，广州510006

**摘要**
车道变换段通常在高速公路重建过程中形成，被认为是降低交通效率和安全的瓶颈。对这些路段的准确容量估计对于交通管理和基础设施设计至关重要。然而，现有方法往往依赖于线性假设，无法捕捉道路几何形状和异质交通构成的非线性和交互效应。本研究开发了一个数据驱动的框架，将改进的微观模拟与可解释的机器学习相结合，以应对这些挑战。使用无人机（UAV）轨迹数据将几何-速度耦合机制嵌入模拟校准中，提高了行为的真实性并减少了延迟误差。在此基础上，训练了一个堆叠集成模型，以在多种条件下提供快速且可靠的容量估计。通过SHAP和GAM分析，揭示了关键的非线性阈值和交互效应。该框架展示了如何将模拟改进和可解释的机器学习融合成一个可转移的方法论，用于形式化基础设施系统中的几何形状、行为和容量关系。

**引言**
车辆拥有量的快速增长对高速公路基础设施造成了巨大压力，特别是那些早期建造的设施，目前正在进行大规模的重建和扩建[1]、[2]。为了在这些项目中保持服务，施工通常分多个阶段进行[3]，但阶段之间的交错转换不可避免地会产生车道变换段（图1）。车道变换段是指道路通过中央开口横向变化的过渡段。同时，车辆调整其轨迹以跟随新路径。这一过程通常涉及横向移动和变道行为。这些临时段以突然的几何变化和异质交通构成为特征，一直被认为是降低交通效率和安全的瓶颈。由于重建通常持续6-9个月，车道变换段会导致长期的操作中断，包括旅行时间延长、事故风险增加以及排放和燃油消耗增加[4]、[5]。最近的报告强调了这一社会问题：2022年，美国的城市拥堵导致了85亿小时的额外延误和33亿加仑的燃料浪费[6]；联邦公路管理局（FHWA）将其中近10%的拥堵直接归因于车道变换段，这转化为每年数十亿美元的损失[7]，以及2023年的近900起死亡事故[8]。这些数字表明，车道变换段的准确容量估计不仅是一个局部工程问题，也是基于证据的交通管理和政策的基本要求。

现有的容量估计方法大致可以分为基于规则的分析模型和微观模拟方法。基于规则的模型，如《公路容量手册》（HCM）[9]等手册中所示例的，将领域知识编码为基于经验的公式，假设几何和交通变量之间存在加性和主要是线性的效应。这种表示方法提供了计算上的便利性，但仅提供了知识的粗略形式化，反映了基于经验的规则模型在工程中的更广泛限制：它们只能捕捉表面层次的相关性，而很少捕捉控制系统性能的更深层次机制。与典型的工作区不同，在那里车道减少是容量损失的主要原因。车道变换段保持车道数量不变，但引入了突然的几何变化，包括中央开口长度（Ls）和横向车道变换宽度（W），这些共同决定了车道变换段的道路曲率半径（R）（图1）。这些几何变化，加上异质交通构成，很容易导致交通流不稳定[10]、[11]。相比之下，微观模拟方法旨在通过在单个车辆层面再现车辆跟随、变道和加速-减速动态来形式化驾驶员行为知识[12]。然而，它们的准确性严重依赖于校准。虽然传统的校准方法可以确保与整体测量值的一致性，但它们通常忽略了嵌入的几何-行为耦合机制，这对于实现跨场景的知识转移至关重要[13]、[14]。此外，精细粒度的模拟会产生显著的计算成本[15]，限制了它们在时间敏感的交通管理中的应用。这些挑战也存在于数字孪生和信息驱动的基础设施建模领域，其中模型可信度和可转移性是实现系统集成的关键条件。这些限制共同揭示了一个核心的方法论差距：现有研究未能统一形式化道路几何形状和交通异质性对容量的联合影响。这突显了迫切需要新一代可转移框架，以平衡行为真实性和计算效率。因此，车道变换段的容量估计不仅是一个特定的计算问题，而且是一个更广泛的挑战：如何考虑道路几何形状、交通构成和驾驶员行为的协同效应，以生成宏观系统性能。这一基本挑战超越了特定领域，对整个交通系统的建模具有重要意义。

此外，许多现有研究在建模道路几何形状、交通流特性和容量之间的关系时采用了线性假设[16]、[17]。这种简化可能会掩盖关键的非线性响应机制，从而限制了解释能力。变道段反映了几何变化、异质交通构成和动态交通流之间的交互作用。这种交互的本质不能通过简单的线性关联来恢复[18]。机器学习算法的最新发展表明了显著的非线性关系的存在。例如，梁等人[19]使用随机森林（RF）揭示了道路坡度和曲线长度对事故严重性的非线性和阈值效应。同样，王等人[20]发现车辆速度对交通状态的影响表现出饱和行为，在超过某些阈值后趋于稳定。这些发现反映了工程信息学中的一个核心原则。传统的线性回归模型只能将知识表示为变量的加性权重，使它们无法编码阈值动态、协调响应和反馈交互。这些机制是理解复杂基础设施系统运行的关键。因此，设计和流动因素对容量的非线性和交互效应尚未得到充分形式化。应对这一挑战需要结合强大挖掘能力和清晰可解释性的计算方法。在这方面，可解释的机器学习提供了一个可行的解决方案。它不仅仅是一个预测工具，通过非线性建模实现准确预测；它还是一个知识引擎，将这些数据模式转化为可理解的结构化知识，架起了数据驱动分析和工程应用推理之间的桥梁。

为了应对这些限制，本研究提出了一个集成框架，将改进的微观模拟与可解释的机器学习相结合，以生成车道变换段的准确且可转移的容量估计（图2）。该框架不是将容量建模视为一个简单的数值预测问题，而是将其视为一个计算过程，该过程形式化了道路几何形状、驾驶员行为和交通构成如何共同产生涌现性能。使用从无人机（UAV）获得的高分辨率车辆轨迹数据将几何-速度耦合机制嵌入微观模拟校准中，提高了行为的真实性并减少了延迟误差。在此基础上，训练了一个堆叠集成学习模型，以在多种几何和交通条件下提供快速且可靠的容量估计。这种方法的特点是结合了可解释性方法，揭示了非线性阈值和跨变量交互作用，将机器学习输出转化为既具有预测性又可解释的知识。因此，本研究提出的框架具有实际和理论价值。在实际层面，它可以提供高效的容量估计，为道路设计和运营管理提供定量依据。在理论层面，通过将模拟改进与可解释的机器学习相结合，本文构建了一种适合建模交通基础设施系统复杂行为的新知识表示范式，为相关领域的研究方法发展提供了参考。

因此，本研究做出了以下贡献：
1) 提出了一种改进的微观模拟校准方法，将道路几何形状与驾驶员行为响应相结合。通过嵌入几何-速度耦合机制，该方法克服了传统数值拟合的局限性，提供了在物理上可解释且在不同场景中可转移的参数校准结果，提高了模拟模型的行为真实性和可信度。
2) 提出了一种用于容量估计的堆叠集成机器学习模型。它在保持出色的计算效率的同时实现了高估计精度。该模型在不同几何对齐和交通构成下表现出稳健的估计性能，表明集成学习方法可以用作基础设施系统中快速容量评估的可扩展解决方案。
3) 通过SHAP和广义加性模型（GAM）对Ls、W和重型车辆比例（Hv）之间的非线性响应和跨变量交互进行了可解释性驱动的分析，揭示了阈值效应和交互模式，将黑箱模型预测转化为支持工程决策的可操作设计知识。

本文的其余部分结构如下：第2章介绍相关工作。第3章描述了基本数据集。第4章介绍了改进的模拟校准方法。第5章开发了堆叠模型并对结果进行了可解释性分析。第6章讨论了关键发现及其影响，第7章以总结和未来研究结束。

**相关工作**
车道变换段不仅是交通管理中的一个具体挑战，也反映了系统性问题：如何准确表示道路几何形状、驾驶员行为和异质交通流之间的复杂交互。现有的容量估计方法采用了基于规则的分析模型、微观模拟方法和机器学习技术。尽管这些方法推进了交通系统的运营和管理，但它们仍然存在...

**数据收集点**
本研究选择了中国广东省的汕梅高速公路和广高高速公路作为现场研究地点。这两条设施最初设计为四车道双向高速公路，目前正在扩建为八车道双向设施。在施工期间，交通运营保持双向四车道配置。在这两条高速公路上建立了17个观测点，包括十二个...

**交通模拟校准改进方法**
为了提高模拟模型准确表示车道变换段驾驶行为的能力，本研究提出了一种改进的校准方法，将几何道路特征与驾驶员行为响应相结合。具体来说，该方法结合了一个显式耦合R和V的响应函数。这种校准方法为后续开发精确的容量估计模型提供了可靠且稳健的数据支持。

**容量模型构建和可解释性分析**
在验证了改进的模拟校准方法的有效性的基础上，本研究使用VISSIM平台在各种Ls、W和Hv组合下生成容量数据。这里，Hv表示重型车辆比例，定义为重型车辆数量与总车辆数量的比率。然后使用得到的数据集训练一个双层堆叠集成学习模型。机器学习作为校准后的微观模拟的替代模型...

**结论**
本研究通过整合改进的微观模拟、集成机器学习和可解释分析，开发了一个用于车道变换段容量估计的集成框架。提出的校准方法明确地将道路几何形状与驾驶员行为相结合，产生的参数不仅与现场观察结果一致，而且在行为上也有意义。这种改进提高了模拟模型的可信度和可转移性。

**作者贡献声明**
高雅聪：撰写 – 审查与编辑、撰写 – 原稿、方法论、形式分析。
吴佩佳：软件、资金获取、数据管理。
周晨静：撰写 – 审查与编辑、资源、调查。
荣浩江：软件、方法论、数据管理。
王毅：软件、资源、方法论、资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

**致谢**
我们感谢中国科学基金会的支持（JCCX2024-023, GD24YGL31, 2023A1111120018）。