《Sensors》：Forecasting Congestion and Enabling Proactive Management on Expressways During Public Holidays: A Survey of Methods, Open Issues, and Research Directions
编辑推荐：
公共节假日期间高速公路出行需求急剧攀升，随之而来的严重拥堵已成为制约路网运行效率与出行服务质量的主要瓶颈。节假日拥堵的可靠预测及主动管理的实际实现，对于提升高速公路运营管理水平、保障公众高效安全出行具有重要的理论与现实意义。本文围绕节假日高速公路拥堵预测与主动
公共节假日期间高速公路出行需求急剧攀升，随之而来的严重拥堵已成为制约路网运行效率与出行服务质量的主要瓶颈。节假日拥堵的可靠预测及主动管理的实际实现，对于提升高速公路运营管理水平、保障公众高效安全出行具有重要的理论与现实意义。本文围绕节假日高速公路拥堵预测与主动管理这一核心主题，综述了五个相互关联领域的研究进展：交通速度与流量预测方法（traffic speed and flow prediction methods）、拥堵状态识别与预测（congestion state identification and forecasting）、节假日出行特征分析与需求预测（holiday travel characteristic analysis together with demand prediction）、多源数据融合与拥堵传播机制（multi-source data fusion and congestion propagation mechanisms）、以及高速公路交通控制与出行者行为引导（expressway traffic control together with traveler behavior guidance）。在梳理各领域的理论基础、核心技术与代表性方法后，本文重点分析了现有研究在应对节假日交通的典型特征——即短时需求激增与显著时空异质性（short-duration surges combined with pronounced spatiotemporal heterogeneity）——时所面临的不足与困难，并提出了后续研究中有前景的方向。总体而言，本综述旨在为发展节假日高速公路拥堵预测与主动管理技术提供广泛的文献支持与理论参考。
1. 引言
引言指出，中国高速公路在公共节假日期间面临严重拥堵，短时需求激增与强时空异质性（spatiotemporal heterogeneity）使传统预测和控制方法失效。现有研究多针对工作日，缺乏对节假日场景的专门适配。本文以拥堵预测与主动管理为核心，沿感知、预测、预警、控制、反馈的闭环框架（closed-loop framework），综述五个研究领域的进展，并识别关键挑战与未来方向。
2. 交通速度与流量预测方法
2.1 统计与经典机器学习方法
早期方法采用自回归积分滑动平均模型（ARIMA）、向量自回归（VAR）等统计模型，但线性假设难以捕捉非线性状态转换。Yu等人提出时空循环卷积网络（SRCN），结合深度卷积神经网络（DCNN）与长短期记忆网络（LSTM），在北京市交通网络上表现优于传统方法。Chen等人通过傅里叶变换分解流量周期性，结合监督学习处理波动部分。统计模型在强非线性下精度下降，推动向深度学习演进。
2.2 基于循环神经网络的时间预测
LSTM因能缓解梯度消失并捕捉长时依赖，成为基准架构。Polson和Sokolov结合L1正则化与非线性层，在芝加哥I-55数据上应对特殊事件。Hsueh和Yang加入车辆类型组成和上游速度特征。Zhang等人通过系统比较发现，LSTM在空间异质性上弱于图结构方法。Zheng等人将注意力机制引入Conv-LSTM，Abduljabbar等人比较了单向和双向LSTM，指出四层堆叠双向LSTM在60分钟预测内保持90%以上精度。循环网络在空间拓扑建模上仍有局限，推动图神经网络发展。
2.3 基于图神经网络的时空建模
图卷积网络（GCN）与循环网络结合成为主流。Yu等人改进GCN区分相邻路段不同连接强度，并加入生成对抗框架。Bogaerts等人将Graph CNN与LSTM结合，从滴滴轨迹数据预测。Zhang等人提出时空图Inception残差网络（STGI-ResNet），保持线性复杂度。Huang等人提出多尺度时域双图卷积网络（MD-GCN），同时提取局部和全局空间相关性。Zhang等人提出图注意力时序卷积网络（GATCN），利用多头自注意力提取时空耦合。Zhang等人提出注意力图卷积序列到序列模型（AGC-Seq2Seq），解决多步预测误差累积。这些方法沿改进图卷积和集成外部属性两个方向演进。
2.4 基于Transformer及其他新兴方法
Transformer通过自注意力实现全局并行计算。Zhang等人用时序融合Transformer（TFT）预测速度，在30分钟以上长时域有优势。Yan等人提出Traffic Transformer，设计全局编码器和全局-局部解码器。Tang等人提出三维双注意力卷积模型，实现车道级预测。Shabarek等人融入实时气象变量。Wu等人提出各向异性高斯过程，从车辆轨迹估计状态并提供不确定性量化。多数方法针对工作日，节假日泛化性未系统验证。
3. 拥堵状态识别与预测
3.1 深度学习拥堵预测模型
拥堵预测通常作为分类问题。Dilek和Dener综述了计算机视觉应用，Kumar和Raubal综述了深度学习在拥堵检测、预测和缓解中的任务。Chen等人提出PCNN，将时间序列转化为二维矩阵，学习多尺度模式。Elfar等人利用网联车轨迹数据，用逻辑回归和随机森林预测冲击波，精度达97%。Li等人提出Conv-BiLSTM，结合CNN和双向LSTM。Ramana等人引入Vision Transformer（ViT），在异常交通下表现优异。Braz等人加入气象变量，在沿海度假区提高预测精度。这些方法在节假日场景下验证不足。
3.2 交通状态分类方法
Cheng等人提出“路网充裕度”指标，结合流量、速度、占有率，用改进模糊C均值（FCM）聚类，准确率提升10%以上。Zhao等人提出多视图融合切比雪夫图卷积网络（MvFCGCN），融合称重站和雷达数据，自动标注状态，精度达95.25%。这些方法主要基于工作日基线，节假日阈值需重新校准。
3.3 综合拥堵预警系统
Jiang等人构建四模块预警系统：点预测（变分模态分解与改进极限学习机）、特征估计、区间预测、综合评价（可拓理论），将连续参数转换为离散等级，等级预测精度超97%。该系统连接预测与预警，但验证基于常规交通。
4. 节假日交通特征分析与需求预测
4.1 节假日交通时空模式
Jun等人用高斯混合模型分析感恩节速度分布。Liu和Sharma用20年数据检验节假日效应。Cools等人比较模型，发现Box-Tiao方法在量化效果和长期预测上最优。Yang等人基于北京出行调查，发现节假日与工作日出行决策结构相反，节假日出行者先选模式再组织行程，且对时间更敏感。Bao等人用瓶颈模型分析免费政策对出发时间选择的影响，免费窗口导致需求集中。免费政策是中国节假日关键机制，但现有模型很少将其作为显式输入。Atilgan等人提出面向节假日的混合速度预测方法，结合支持向量回归与历史平均，MAPE降低29%。Lin等人构建随机效应回归与随机森林集成模型，分析春节V型曲线和降雨效应。Wang等人综述无人机与地面车辆协同配送，适用于节假日应急响应。
4.2 节假日高速公路拥堵预测
Chen等人分析客货流量时空差异，发现客运呈“低周一到周四、高周五到周日”模式，货运相反。Li等人提出时空相关LSTM（STC-LSTM），加入气象、时间、网络搜索指数，精度提升。Wang等人提出KoopGCN，结合Koopman理论与GCN，处理非平稳数据。Fujita等人提出连续一小时值方法，分析流量-行程时间关系。Wang等人提出ADP-Attention-BiLSTM，集成异常检测结果。Zhao等人提出STL-OMS分解模型。三种技术路线：特征工程+传统模型、深度学习+场景适应、关键节点专门预测，但缺乏统一框架。
4.3 出行需求预测与OD估计
Zhang等人提出通道注意力分裂卷积网络（CAS-CNN），用于城市轨道交通OD估计。Tsanakas等人用浮动车数据（FCD）建立线性映射。Liu等人提出异构信息聚合机（HIAM），联合学习OD和DO流。Rodrigues等人融合文本数据与时间序列，减少需求预测误差。OD估计与拥堵预测尚未有效耦合。
5. 异构数据融合与拥堵传播分析
5.1 异构交通数据融合方法
Ambühl和Menendez提出算法框架，将网络分为检测器覆盖和未覆盖子网，用线圈和浮动车数据融合估计宏观基本图（MFD）。Saffari等人用贝叶斯融合框架，在大型网络中提高密度估计。Zhang等人提出数据驱动优化方法，融合ETC和检测器数据，高峰期平均绝对百分比误差（MAPE）仅0.9%-2.3%。Chen等人提出自适应滚动平滑（ARS），融合微波传感器和车牌识别数据，重构时空速度图。这些方法构成感知层，但节假日下各传感器可靠性变化需鲁棒融合。
5.2 网络级拥堵传播机制
Hamedmoghadam等人提出基于流量异质性的渗流分析框架，识别瓶颈路段。同一团队将渗流理论与动态边界控制结合，提出动态周长控制方法。Saberi等人用SIR（Susceptible-Infected-Recovered）模型类比拥堵传播，提出传播率β和恢复率μ，验证了多城市数据。Ambühl等人整合渗流理论与MFD，发现拥堵集群数量峰值与MFD流量峰值同时出现，预示网络崩溃。这些为预警提供理论依据。
6. 高速公路交通控制与出行者引导
6.1 高速公路主动控制技术
Wang等人用Prophet模型分析COVID-19交通限制政策效果。Han等人提出物理信息强化学习匝道控制，在真实环境中训练，超越传统反馈控制。Carlson等人将可变限速（VSL）与匝道控制统一在离散时间最优控制框架中，发现联合应用效果更优。Liu等人提出贝叶斯深度学习事故检测方法，量化不确定性。Li等人用生成对抗网络（GAN）和时空堆叠自编码器（TSSAE）处理小样本和不平衡问题。Jin等人提出两阶段VSL框架，结合宏观最优控制和微观仿真。Zhou等人用模型预测控制（MPC）动态调整收费站车道配置和可变限速，减少总行程时间。这些控制措施与预测系统脱节。
6.2 信息服务与出行者引导
Ma等人基于北京9600名驾驶员偏好调查，建立多项logit模型，发现性别、车型、熟悉度等变量显著影响VMS响应。Zhao等人发现雾天驾驶员偏好琥珀色文字或白底蓝字图形格式。Emmerink等人早期研究指出广播和VMS信息影响机制相似，通勤者受影响较小。Romero等人发现事故信息与行程时间估计共同提高收费公路转换率。Zhao等人用CHAID树分组，发现经验丰富驾驶员更响应定量延误信息。Luo等人综述ETC智能高速，强调感知、融合、决策、控制闭环。信息引导可能引发从众效应，Zhou等人从随机用户均衡理论分析，提出从众可抵消感知误差。
7. 结论与未来展望
7.1 发现与局限总结
五个维度各自存在不足：预测方法未针对节假日非平稳性验证；拥堵分类标准基于工作日基线；节假日特征分析碎片化，OD估计未耦合；数据融合和传播分析在节假日验证薄弱；控制与预测开环运行。本综述为结构化叙事综述，非PRISMA系统综述，节假日证据集中于中国背景，性能数据来自异构数据集不可直接比较。
7.2 未来研究优先方向
提出闭环系统框架，包括感知、预测、预警、控制、反馈，对应五个维度，以多源异构数据融合为基础，将节假日四个特征（短时激增、时空异质性、多因素耦合、历史样本稀缺）作为设计约束。具体方向包括：构建节假日专用预测模型，如Koopman理论、迁移学习、多模态框架、预训练基础模型；精细识别拥堵类型并实现差异化控制；构建预测-预警-控制-反馈闭环，集成强化学习与数字孪生；深化多源数据实时融合与异常检测；精确建模出行者行为，发展个性化引导，并考虑公平性；加强系统集成与工程部署验证，开展大规模实证研究。
