摘要
出行叫车服务的全球定位系统（GPS）移动探测数据能够为城市交通状况提供灵活的观测信息，但由于其覆盖范围有限且不均匀，导致模型评估较为困难，因为实际观测到的目标、有效的预测结果以及历史数据支持往往并不一致。本研究采用基于掩码一致的支持链框架，对在稀疏移动感知条件下的超短期道路段速度预测进行了分析。研究将三天的GPS数据整合为1970个道路段的5分钟间隔速度观测数据，将其作为控制性的稀疏感知案例研究，而非通用型的长期预测基准。评估方案区分了完整测试网格、直接观测到的目标速度集、模型验证的预测支持、严格完整的历史数据支持，以及针对覆盖范围受限的基线模型所使用的共同支持子集。直接观测到的目标集被用作主要的简化支持数据，因为它包含了所有可验证的真实数据，而严格完整支持子集和共同支持子集则用于敏感性分析。在这种基于支持条件的评估中，自适应图卷积循环网络在全覆盖模型中具有更低的平均绝对误差，历史均值基准模型则具有更低的均方根误差，而所有全覆盖深度学习模型的拥堵识别率均低于0.24。这些互补的结果表明，各种模型的优势是依赖于具体条件和评估指标的，并非普遍适用。由于该数据集仅涵盖连续三天，因此无法全面分析工作日与周末的差异、特定事件的波动、季节性影响以及空间上的可迁移性，这些均被视为研究的局限性。总体而言，研究结果表明，在稀疏移动探测环境下进行模型评估时，应将与模型精度相关的评估支持条件作为首要的实验因素加以考虑。
