基于知识图谱的成对差异学习框架用于未观测道路的全网城市交通流量估计

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Network-wide urban traffic flow estimation on unobserved roads with a knowledge graph-based pairwise difference learning framework

【字体: 大 中 小 】 时间:2026年08月29日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

   • 在复杂城市环境中实现未观测道路上全网交通流量的估计。 • 构建知识图谱以捕捉城市交通情境中的异质性因素和多样化交互。 • 提出一种具有多任务学习架构的网络状态感知成对差异学习模型。 • 在真实世界城市数据集上验证了优越的准确性。 引言 交通流量是交通系统状态的关键指标,

  

• 在复杂城市环境中实现未观测道路上全网交通流量的估计。
• 构建知识图谱以捕捉城市交通情境中的异质性因素和多样化交互。
• 提出一种具有多任务学习架构的网络状态感知成对差异学习模型。
• 在真实世界城市数据集上验证了优越的准确性。

引言
交通流量是交通系统状态的关键指标,准确获取交通流量对于有效管理至关重要,可支持交通控制(Cao et al., 2019, Di Gangi et al., 2016)、拥堵缓解(Ei Leen et al., 2023, Zhang and Nie, 2022)、城市规划(McNally, 2007)和应急响应(Deqi et al., 2012, Sultana et al., 2024)等应用。近年来,数据驱动模型(如循环神经网络(RNN)、图神经网络(GNN))显著推进了交通流量估计、预测和数据插补方面的研究。然而,在未观测道路上的交通流量估计仍存在关键研究空白,尤其是在传感器覆盖稀疏且全量部署不切实际的城市地区。

未观测道路指的是没有实时测量的路段,通常是由于缺乏传感器所致。估计这些道路上的交通流量为捕捉全网交通动态提供了一条成本效益较高的途径,这对于高级交通研究(如网络级协调交通信号控制(Ren et al., 2025))变得越来越重要。然而,动态流量信息的完全缺失带来了严峻挑战,使得传统的时序模型(Aziz et al., 2023, Wang et al., 2019a)以及需要目标道路至少部分观测的插补方法(Chen et al., 2019, Hu et al., 2023)失效。

面对未观测道路交通流量信息完全缺失的挑战,一些现有方法试图通过整合其他动态数据(例如车辆轨迹数据(Xu et al., 2025)、车牌识别(LPR)数据(Liu et al., 2024)和手机数据(Liu et al., 2019, Zhang et al., 2020))来进行补偿。然而,这些方法在获取成本、数据隐私和长期可用性方面面临重大限制,这限制了其实用性和普适性。对于一种具有成本效益且可推广的解决方案,近期研究大多将该问题建模为空间插值。具体来说,这些方法利用空间邻近性——通常由拓扑连通性或旅行距离定义——作为建模道路间关系(包括观测道路与未观测道路之间的关系)的主要先验(Wei et al., 2024, Wu et al., 2021, Zhou et al., 2025)。它们在高速公路等受控环境中的有效性已得到实证验证,因为在这些环境中,交通动态与物理连通性密切相关,因此与底层的空间邻近性先验高度吻合。

然而,在城市交通场景中,这些空间插值方法在表征方面面临根本性局限。这种局限源于城市交通动态的复杂性,其由异质性因素和多样化交互驱动,超出了纯粹空间视角的范围。如图1所示,城市交通动态受到不同因素(如道路属性、土地利用、兴趣点(POI))的影响,通过不同的机制发挥作用(如上游路段传播流量、医院或购物中心产生需求)(Gao et al., 2024, Lu et al., 2025, Zhang et al., 2025)。对于观测道路,这种复杂性是可以管理的,因为模型可以基于道路本身的历史观测进行锚定(Chen et al., 2019, Wang et al., 2019a),而城市上下文(如POI)通常扮演辅助角色(Aziz et al., 2023, Han et al., 2020, Han et al., 2024)。然而,对于未观测道路,历史观测和时间信息的完全缺失使得跨道路推断成为交通估计的主要基础,因此需要具有信息量的先验来表征道路间与交通相关的关系。相应地,一种能够捕捉异质性因素和多类型语义关系的城市上下文感知表征或先验变得必要。然而,这类信息超出了基于空间邻近性先验的表征能力。

除了表征方面的局限外,第二个差距在于模型架构。现有模型以基于图神经网络(GNN)的设计为主(Nie et al., 2023b, Wu et al., 2021, Zheng et al., 2023, Zhou et al., 2025),这些模型依赖于预定义的局部连接进行消息传递。虽然此类设计在高速公路环境中已得到实证验证,但在城市交通环境中仍然存在局限。这是因为城市交通动态不受单一约束(如物理邻近性)控制。相反,城市道路之间的依赖关系往往源于多个来源,并且经常是非局部的(Medina-Salgado et al., 2022, Wang et al., 2023a, Zhang et al., 2025)。因此,基于预定义局部消息传递的GNN模型在捕捉塑造城市交通动态的异质性和上下文依赖依赖关系方面受到限制。

为解决这些挑战,本研究提出了基于知识图谱的成对差异学习框架(KG-PDLF)。首先,为了克服表征局限,我们通过引入知识图谱(KG),将道路从空间节点重新定义为语义实体。利用知识图谱的异质结构和显式关系类型(Ji et al., 2021),我们不仅建模异质性因素,还建模它们具有不同语义含义的多样化交互(例如,connects_to与nearby_poi)。具体而言,我们构建了城市交通上下文知识图谱(UTCKG),整合了交通网络与地理空间中与交通动态相关的城市上下文。通过知识图谱嵌入技术(Wang et al., 2021),UTCKG生成低维度的、上下文感知的道路表征,其中嵌入了丰富的结构和语义信息,从而捕捉每条道路的独特上下文身份。

其次,基于上下文感知的道路表征,我们设计了一种基于成对差异学习(PDL)的估计模型。作为一种在其他科学领域成功应用的范式,PDL通过重构估计或预测目标为成对差异,在某些设置下被报告可以提高模型性能,这可以提供固有的优势,如系统性误差抵消(Belaid et al., 2024, Tynes et al., 2021)。通过整合PDL,我们的模型目标为成对流量差异,这通常比高度波动的绝对交通流量在统计上更为稳定。为了与交通系统的互联特性相一致,我们将传统PDL扩展为一种网络状态感知设计:每个成对估计都以当前可观测的网络状态为条件,捕捉网络级依赖性。此外,模型不是孤立地估计每个成对差异,而是在多任务学习(MTL)框架下联合估计目标道路与所有观测道路之间的流量差异,其中相关的成对目标通过共享表征进行学习,为目标道路估计提供了一种协调且隐式正则化的结构(Caruana, 1997)。在巴黎和都灵的研究案例中,使用UTD19数据集(Loder et al., 2019)中的交通流量数据显示,KG-PDLF实现了比对比基线更优越的估计准确性和更稳定的性能。

总而言之,本研究的主要贡献如下:
• 我们提出了一种基于知识图谱的框架,将道路重新定义为语义实体,并在异质性城市上下文中表征其身份。该框架仅使用城市上下文和观测道路的交通流量观测来估计未观测道路上的交通流量,从而为传感器覆盖有限条件下的全网交通流量估计提供了一种实用解决方案。
• 我们开发了一种新的估计模型,通过网络状态感知架构将PDL适应于交通流量估计。具体而言,(1)针对没有历史数据的未观测道路,引入PDL以利用跨道路流量差异的统计稳定性;(2)将传统PDL扩展为动态MTL框架,其中相关的成对目标通过共享表征联合学习,为网络状态条件估计提供了一种协调且隐式正则化的结构。
• 在两个真实世界城市数据集上的实证评估表明,KG-PDLF在各种设置下实现了优越的估计准确性和稳定性能,而单独的计算评估显示该框架在涉及数百至数千条道路的部署规模下保持了良好的运行时效率。

本文其余部分组织如下:第2节回顾了未观测道路交通估计的相关知识图谱在城市系统表征中的应用的相关文献。第3节详细阐述了所提出的方法论,第4节总结了整体解决方案。在第5节中,我们展示了数值实验,包括数据集、实现细节和主要实验结果。第6节对提出的框架进行了进一步的深入分析,如其误差分布。最后,第7节总结了本研究。

章节摘要

未观测道路的交通估计
未观测道路的交通估计旨在推断完全缺乏历史观测的道路的交通状态,这通常对应于现实交通网络中没有部署检测器的道路。由于未观测道路本身缺乏观测,此类道路的交通估计主要依赖于观测道路的观测以及表征道路间相关性(特别是观测道路与未观测道路之间的相关性)的先验。

问题形式化与方法概览
本研究提出了一个针对未观测道路的城市交通流量估计框架,通过探索动态交通流量与道路静态城市上下文之间的交互。设整体道路集定义为R=R_o∪R_u,其中R_o和R_u分别表示观测道路和未观测道路的集合。对于观测道路r_oi∈R_o和未观测道路r_uj∈R_u,城市上下文信息可用,分别记为C_oi和C_uj。然而,交通流量数据仅可...

解决方案总结
本节总结了框架提供的整体解决方案。该框架旨在利用城市上下文和可观测交通流量实现未观测道路上的城市交通流量估计,如公式(1)所述。整体架构如图2所示,详细解决方案总结于算法1中。

交通流量数据
我们采用UTD19数据集(Loder et al., 2019)作为交通流量数据来源。它是一个大规模真实世界数据集,包含欧洲和北美40个城市中环形检测器的交通流量记录(详见Loder et al., 2019, Xue et al., 2024)。该数据集已被广泛应用于交通研究,如交通状态插补(Xue et al., 2024)、交通需求生成(Qiu et al., 2024)、检测器布局(Lee et al., 2023)等。

固定道路表征的实验验证
在第3.5.1和3.5.3节中,我们强调了固定道路表征对于支持向未观测道路推广的重要性。本节通过两个在巴黎数据集上30%缺失率场景下的对比实验,实证检验了该设计的有效性。

实验1:固定表征与任务特定表征
首先,我们将我们的固定道路表征策略与一种任务特定(端到端可学习)的替代方案进行比较,其中预训练...

结论
本研究提出了KG-PDLF以应对复杂城市环境中未观测道路交通流量估计的挑战。在巴黎和都灵真实世界数据集上的大量实验证明了所提框架的有效性:(1)在本研究考虑的实验设置下,KG-PDLF优于对比的基线方法,并在不同未观测道路比例和空间配置的场景中表现出稳定性能;(2)...

CRediT作者贡献声明
李桂龙:撰写——审阅与编辑,撰写——初稿,可视化,验证,软件,方法论,概念化。廖琼华:撰写——审阅与编辑,可视化,验证,软件,概念化。陆宇环:撰写——审阅与编辑,方法论。马巍:撰写——审阅与编辑,监督,资金获取。

利益冲突声明
作者声明没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

李桂龙|廖琼华|陆宇环|马巍
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号