在高速公路隧道群自然传感缺失下维持跟车预测：路线特定的Projector-Transformer案例研究

《Sustainability》：Maintaining Car-Following Prediction Under Naturally Occurring Sensing Loss in an Expressway Tunnel Cluster: A Route-Specific Projector-Transformer Case Study

　　

为了解决高速公路隧道群中相对速度和间距测量的空间集中丢失问题，这项路线特定案例研究评估了一种Projector-Transformer深度学习(PTDL)流水线，该流水线在Transformer跟车速度预测器上增加了一个线性重建头。六十个轨迹片段来自在一条包含15条隧道的42.086公里路线上进行的两次车载仪器试验。误差在隧道群单元(Tce)上汇总。耦合变体在加权双任务损失下共享一个编码器。解耦变体顺序训练独立的编码器，在预测期间冻结重建。根据所报告的开发记录，解耦将缺失特征MSE降低了40.7%（从0.0246降至0.0146），而完整特征MSE几乎相同（0.0075对比0.0074）。在完整输入下，D-PTDL-S在一个和两个Tce上的ASE低于所报告的IDM、LSTM和D-PTDL值。在自然缺失子集中，其ASE在跨1至5个Tce时比D-PTDL低45.0%–52.6%。六十个轨迹片段按片段划分为不相交的训练、验证和测试子集（80/10/10），验证仅用于早停，测试子集在训练后只读取一次。基线既未进行信息匹配也未进行校准匹配，未执行重复种子推断，且在自然缺失区间内没有可用真值。因此，结果确立了路线特定可行性，而非跨路线泛化。未测量安全性、能源、排放和生命周期结果。可持续性相关性仅限于不完整传感下的运行连续性。

**论文解读：基于Projector-Transformer的高速公路隧道群跟车预测保持研究**

隧道环境因光线不足、视野受限、信号遮挡等对车辆感知构成严峻挑战。在隧道群中，车辆反复经历“入口—内部—出口”的转换，导致相对速度和间距等雷达衍生测量在空间上集中丢失。现有跟车预测研究要么剔除不完整样本，要么对完整轨迹施加独立随机掩码，均未能反映隧道群实际产生的块状、双通道、空间聚集的缺失模式。针对这一研究缺口，研究人员提出并评估了一种Projector-Transformer深度学习(PTDL)流水线，旨在自然发生的传感缺失下维持跟车速度预测的连续性。该研究发表于《Sustainability》。

研究人员在包含15条隧道、总长42.086公里的兰海高速南宁至河池段开展了两次实车试验，提取60个轨迹片段。PTDL流水线在Transformer预测器前增加线性重建头，并设计了耦合与解耦两种编码器结构；同时比较了全注意力与ProbSparse注意力。结果显示，解耦变体D-PTDL在缺失特征下将MSE从0.0246降至0.0146（降低40.7%），而完整特征MSE几乎不变；采用ProbSparse注意力的D-PTDL-S在完整输入下取得最低ASE，在自然缺失子集中ASE比D-PTDL低45.0%–52.6%。研究确立了路线特定的可行性，而非跨路线泛化；未测量安全、能源、排放等结果，其可持续性意义仅限于不完整传感下的运行连续性。

**关键技术方法**：研究人员采用Transformer编码器-解码器框架，输入60步历史序列（相对速度Δv、间距Δy、跟车速度v_f），通过线性重建头（128维到3通道）修复缺失特征。样本来自2023年11月22日白天两辆试验车（2009大众速腾、2015本田CR-V）的两次试验，按片段划分训练/验证/测试集（80/10/10），使用早停和Adam优化器；损失函数在耦合变体中采用加权组合（λ=0.7），解耦变体分两阶段训练。评估指标包括MISE、ASE、MASE、RTceSE，并与IDM和LSTM基线比较。

**研究结果**：

*5.1 耦合与解耦结构*：通过对比C-PTDL与D-PTDL在完整和缺失特征下的预测MSE，发现D-PTDL在缺失特征下MSE降低40.7%，但因其参数多约37%且训练流程不同，该差异视为架构配置比较而非受控消融。

*5.2 完整驾驶特征下的预测*：在完整输入条件下，D-PTDL-S在一个和两个Tce上的ASE分别比D-PTDL低14.1%和36.9%，比IDM低94.7%和96.0%，比LSTM低55.6%和62.3%。该结果基于单次训练的点估计，且LSTM历史长度仅为5步，IDM校准参数不合理，故仅描述配置间差异。

*5.3 缺失驾驶特征下的预测*：在自然缺失子集中，D-PTDL-S的ASE跨1至5个Tce比D-PTDL低45.0%–52.6%，但单Tce时MASE略高；IDM和LSTM未在此子集评估。此结果不构成适应性或统计优越性证据。

*5.4 注意力解读*：注意力可视化显示D-PTDL-S的权重分布比D-PTDL更稀疏，符合ProbSparse选择规则，但仅作为模型诊断，不反映驾驶员认知或长期序列效率。

**讨论与结论**：讨论部分针对三个问题分别评估：特征重建是否可行（产生连续且物理合理的序列，但自然缺失区间无真值，仅证明可行性）；重建是否支持预测（缺失条件下ASE与完整输入同量级，表明预测功能连续）；稀疏注意与解耦的独立贡献（全注意与ProbSparse注意为参数匹配比较，耦合-解耦因参数不匹配不能归因于解耦）。可持续性关联仅限于传感-预测链的弹性，安全、能耗等结果未测量。结论翻译如下：

这项路线特定案例研究评估了在完整和自然缺失隧道群输入下采用全注意力和稀疏注意力的Projector-Transformer流水线。数据在片段层面划分为不相交的训练、验证和测试集，测试集仅在训练完成后访问一次。在保留的测试集上，D-PTDL的缺失特征MSE为0.0146，而C-PTDL为0.0246。D-PTDL-S在表8所报告的值中返回最低ASE，并在表9的缺失特征子集中跨1至5个隧道群单元(Tce)产生低于D-PTDL的ASE。应区分两类结论：路线特定结论适用于42.1公里兰海高速路段、两名驾驶员、两次试验和60个轨迹片段，包括数值结果以及在该路线上记录的传感间隙上可连续维持速度预测的发现；可延伸的方法论结论包括：隧道群传感缺失是通道选择性、共现性和空间聚集性的，仅基于随机掩码的评估可能错误描述问题；在预测器前放置重建头是保持预测连续性的可行方法，参数匹配比较（如全注意与ProbSparse注意）比受容量和训练过程差异混淆的比较产生更强证据。本研究不主张统计优越性（单随机种子）、编码器解耦的因果效应（未参数匹配）、自然缺失区间内的重建准确性（无真值）或量化的可持续性效益（未测量相关指标）。确立这些主张是未来实验议程的目标。