基于迁移学习的道路容量缩减机器学习代理模型的跨城市泛化

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Cross-city generalization of machine learning surrogates for road capacity reductions via transfer learning

　　

•可迁移的代理模型（Surrogate Model）使得在有限目标城市数据下能够进行政策分析。
•所提出的训练策略在所有指标上优于基线方法（均方误差（MSE）降低约41.5%）。
•基于Transformer-图神经网络（GNN）的代理模型性能随源城市数量增加而提升。
•能够保留排名靠前的干预措施，并将构建代理模型所需的模拟核心小时数（core-h）削减99%。
•与MATSim相比，实现4万至15万倍的速度提升。

**论文解读：基于迁移学习的跨城市道路容量缩减代理模型**

**研究背景与问题**

日益增长的城市化和气候变化加剧了全球城市在减排、降低空气污染和噪音方面的压力。交通是这些影响的主要贡献者，因此城市交通政策是实现气候目标、同时维持可达性和经济活动的关键杠杆。规划者可以选择多种干预措施，包括定价方案、准入限制以及将道路空间重新分配给更活跃的交通方式。

为了获得这些政策如何影响网络状况和出行需求的行为可信估计，研究人员通常依赖基于代理的交通模型（Agent-Based Models, ABMs）。ABMs能够表示异质性出行者，并捕捉适应性路径和模式选择，提供与政策分析直接相关的行为细节层次。然而，这种高保真度带来了计算成本：ABMs的校准和运行在计算上非常昂贵，即使评估单一场景也可能需要大量运行时间和内存。这一成本通常将政策分析限制在实际规划时间线内的少量场景。

机器学习代理模型（Machine-Learning Surrogates）被提出用于缓解这一瓶颈，通过从大量ABM模拟中学习政策干预与链路级交通结果之间的映射。一旦训练完成，这类代理模型可以在毫秒内预测链路级政策干预的效果，从而支持快速场景筛选、敏感性分析和基于优化的搜索。然而，一个关键限制是获取准确代理模型需要大量训练数据——每个城市需要数千次ABM模拟。这种逐城模拟负担削弱了机器学习代理模型的核心动机：减少对计算密集型模拟的依赖。当建模资源有限或需要在多个城市进行政策分析时，这一问题尤为突出。

因此，研究人员提出了一个简单但重要的问题：能否跨城市重用模拟知识？具体而言，能否构建一个可迁移的代理数据库——一组从多个源城市（Source Cities）学习得到的预训练代理模型——然后仅使用少量额外模拟即可适应新目标城市（Target City）？本文测试了这一假设，通过迁移学习实现基于ABM的政策评估代理模型跨城市泛化。

**研究方法与主要技术**

研究人员采用了一种混合图神经网络（Graph Neural Network, GNN）与Transformer架构的代理模型。首先，将道路网络表示为有向线图（Line Graph），每个节点对应一个街道段。输入特征包括静态特征（如基础交通量e>、容量、限速、长度等）和政策可操作特征（如更新后的容量和二进制干预指示符）。模型由三个TransformerConv¹层和三个Transformer编码器层组成，最后通过线性预测头输出每个街道段的交通量变化。在预训练阶段，研究人员在多个源城市上联合训练模型，最小化编辑水平均方误差（Mean Squared Error, MSE）。微调时，使用目标城市少量场景初始化预训练权重并继续训练。样本队列来源于德国巴伐利亚六个城市（C1: Regensburg, C2: Landshut, C3: Bayreuth, C4: Schweinfurt, C5: Würzburg, C6: Bamberg），使用MATSim基于开源管道生成合成人口和交通模拟，共生成约13,500个政策场景（50%道路容量缩减）。

**研究结果**

**7.1 结果概述**
通过留一城市法（leave-one-city-out）评估，研究人员比较了从头训练（from scratch）与预训练+微调（pre-train + fine-tune）两种策略。结果表明，预训练+微调在所有指标上一致优于从头训练，且优势在目标城市数据预算最小时最显著。

**7.2 不同数据预算下的聚合趋势**
随着目标城市数据预算从13个场景增加到200个场景，两种策略的性能均单调提升，但预训练+微调始终更优，且其运行间变异性更小。在极低数据预算下（13个场景），预训练+微调的均方误差（MSE）降低约144 (veh/day)²，相对改进幅度最大。在中等预算（50个场景）下，平均MSE降低约41.5%。

**7.3 中等数据预算下的跨城市性能**
在50个目标场景预算下，预训练+微调在所有六个城市和所有指标上均优于从头训练。最大改进出现在C1（Regensburg），其MSE从140.98降至51.46 (veh/day)²，R²从0.68提升至0.88。C2的Spearman相关性从0.48提升至0.65，C4的Top-1%命中率从64.35%提升至78.54%。微调还显著降低了运行间变异性，例如C1的MSE标准差从21.07降至5.40。

**7.4 与其他迁移策略的基准比较**
研究人员将提出的双向预训练+微调策略与单阶段联合训练、零样本迁移、以及基于CrossTReS、TransGTR、TPB的变体进行了比较。双向预训练+微调在所有指标上表现最佳或接近最佳，且训练时间适中（6.1小时）。单阶段联合训练（13.4小时）未带来显著准确率提升，而零样本迁移表现最差（平均R²为0.64）。交叉TReS-inspired变体表现接近但未超越基本双向基线，TransGTR和TPB变体则因任务不匹配而表现较差。

**7.5 从头训练基线作为迁移增益的强预测因子**
研究人员发现，从头训练MSE与微调带来的MSE绝对改进之间存在强单调线性关系（Pearson r=0.9946，R²≈0.9892）。这表明，从头训练表现越差的城市，从迁移中获得的收益越大，即迁移主要缩小了性能差距。

**7.6 预训练城市数量对准确率的影响**
以C1为例，当预训练城市数量从0增加到5时，微调后的MSE从146.9单调下降至50.7（66%降低），运行间变异性也显著减小。这表明增加预训练城市数量可同时提升准确率和稳定性，且收益呈递减趋势。

**7.7 道路等级与空间分析**
预训练+微调在所有道路等级（primary、trunk/motorway、secondary等）上均降低了平均绝对误差（MAE），其中primary和trunk/motorway道路的降低幅度最大。空间上，误差降低主要发生在从头训练误差较大的主要走廊，未观察到显著误差增加。

**8.1 可迁移代理模型的效率优势**
代理模型推理速度比MATSim快4万至15万倍（15–59 ms vs 35–42 min）。通过迁移学习，构建目标城市代理模型所需的模拟核心小时数（core-h）减少了93.3%–99.6%（相对于使用约3000个场景的逐城市训练）。

**8.2 识别最佳干预场景**
在决策相关筛选任务中，代理模型在恢复MATSim排名靠前的干预措施方面显著优于随机筛选。在200个目标场景预算下，Top-20%重叠率达到0.84（随机为0.20），Top-1%重叠率为0.28（随机为0.01）。引入可行性约束后，更严格的约束（更小的允许道路容量缩减比例）导致更高的重叠率，表明代理模型对约束条件敏感。

**总结讨论与结论翻译**

**讨论**
该研究验证了核心假设：关于道路容量缩减效果的模拟知识可以跨城市重用。在多个源城市预训练的代理模型学习了城市网络对该干预类的共享预测结构，并可通过少量额外模拟适应新目标城市以捕捉城市特定效应。这使得维护一个可迁移的代理数据库成为可能，将主要模拟负担转移到有限城市集合，同时保持逐城部署的低成本。实际应用中，快速代理推理能够在大规模干预空间中进行筛选，仅将基于代理的模拟保留给少量高质量候选方案。该框架使基于ABM的政策评估在所述干预类型和建模背景下可跨城市扩展，而非要求每个新城市从头进行昂贵训练。

**研究结论**
本文解决了使用机器学习代理模型进行大规模道路容量缩减干预模拟分析的一个核心障碍：虽然代理模型推理速度快，但构建城市级代理模型需要数千次城市特定的基于代理的模拟用于训练，限制了向新城市的可迁移性。研究人员通过提出一种混合GNN-Transformer代理模型，在多个源城市预训练，然后通过小样本微调适应新目标城市来解决这一问题。

研究人员通过两种互补方式验证了该方法的有效性。首先，评估了预测准确性，将方法对照强基线（相同架构、仅使用有限目标城市模拟、无预训练的从头训练模型）进行基准测试。在中小型城市及13到200个场景的目标城市数据预算范围内，预训练+微调方法在所有指标上一致优于从头训练；在50个目标场景的代表性中等预算下，平均MSE降低约41.5%。如迁移学习预期，微调收益随目标城市模拟数据减少而增加，也随源城市数量增加而提高（例如C1的MSE从146.9降至50.7，误差降低66%）。迁移增益在不同城市间系统变化：从头训练基线表现最差的城市改进最大，表明迁移在目标城市改进空间最大时最有价值。

其次，研究人员在决策相关工作流中评估了代理模型——在可行性约束下识别最具影响力的道路容量缩减场景（以交通量减少衡量）——发现其既快速又准确：推理时间每场景15–59 ms，比MATSim快4万至15万倍；迁移学习将构建准确目标城市代理模型所需的模拟预算（核心小时数）减少了93.3%–99.6%；代理模型显著优于随机筛选，Top-20%重叠率达到0.84（随机为0.20），Top-1%重叠率为0.28（随机为0.01），在严格可行性约束下表现同样强劲。