车辆感应信号相位切换时间预测的双层机器学习方法

《Transportation Research Record》：Dual-Layer Machine Learning Approach for Predicting Switching Times of Vehicle-Actuated Signal Phases

　　

为启用绿波最优速度咨询（GLOSA）系统及类似的协同交通应用，必须对交通信号切换时间进行准确预测。然而，对于根据当前交通状况调整其切换行为的交通感应交通信号，估算不能仅基于统计数据得出。此类交通信号在城市地区最为常见。虽然近期研究已将机器学习模型应用于这一任务，但车辆感应信号相位因其不规则性与请求驱动特性仍然难以预测。为应对这一挑战，本研究提出一种双层机器学习（DLML）预测流程，将事件检测与时序估计分离为两个连续阶段。第一层分类信号相位是否将在接下来30 s内释放；仅在此时，第二层才预测精确的切换时间。作为基准，研究人员应用了传统的信号变化时间（T2SC）预测流程。两种方法均使用XGBoost算法实现，并在来自两个交通感应信号交叉口的真实世界数据上进行评估。DLML方法在所有分类与回归指标上均持续优于传统方法，并通过将预测工作集中于关键情况而减少了不必要的计算。

车辆感应信号相位切换时间预测的双层机器学习方法为车辆感应信号相位切换时间预测提供了一种创新研究思路。本文首先点明研究背景与问题动机：绿波最优速度咨询（GLOSA）系统等协同驾驶应用需要通过精确的信号切换时间预测来实现节能与减排效益，而交通感应信号，尤其是车辆感应信号相位，因其由检测器或公共交通请求驱动、可跨多个周期不切换的特性，使传统基于历史统计的预测方法失效。现有机器学习方法往往直接预测切换时刻，隐含假设切换事件必然发生，在无请求信息可推断时会产生不合理预测。为突破这一限制，研究人员提出了双层机器学习（DLML）预测流程。该流程将事件检测与时序估计分离为两个连续阶段：第一层采用二分类模型判断指定信号组（SG）是否在未来30 s内释放，第二层仅在肯定情形下预测精确的绿灯开始（GS）与绿灯结束（GE）时刻。通过与一种结合了传统时间到信号变化（T2SC）预测和事后过滤步骤的对比程序（CP）进行基准比较，评估所提出方法的性能。该研究发表于《Transportation Research Record》。

研究采用德国卡塞尔市两个真实交通感应信号交叉口的现场数据，研究时段为2023年2月至3月的工作日非高峰时段，信号控制采用阶段导向逻辑，具有多个受协调的阶段和块。研究对象分别为交叉口002和010的两个受保护左转相位SG 2和SG 8，二者均由环形检测器触发，无请求时可在多个周期内跳过。数据按时间顺序划分，其中2月数据（约269 h、97万个实例）用于训练，3月数据中的61 h（22.1万实例）用于验证、245 h（88.5万实例）用于测试。

关于关键技术方法，研究人员构建了完整建模管线：先将事件型原始记录转换为秒级数据，再针对每个预测目标独立进行两步特征选择，即先剔除相关性大于等于0.9的多余特征，再基于特征重要性删除低于中位数的特征；采用随机搜索结合k折交叉验证进行超参数优化，并在全部训练步骤中实施早停机制防止过拟合。模型均为XGBoost分类器，其中第一层直接输出绿灯开始是否在30 s内出现的二分类结果，第二层各模型分别输出剩余时间预测。对比的CP基准采用相同的数据集、特征选择流程和XGBoost算法，并将事后固定预测阈值20 s应用于绿灯开始时间，以模拟与DLML第一层类似的分类逻辑。实验在统一的软硬件环境下进行，确保相对公平性。

关于研究结果，论文分五个方面进行汇报。第一，在30 s内信号相位释放的二进制预测方面，DLML在准确率、召回率、精度和F1分数上均优于CP，尤其精度提高约10个百分点（SG 2为94.97%对84.75%，SG 8为95.40%对85.76%），说明DLML能显著减少假阳性预测，并通过前层过滤使预测更集中于真正会发生的切换事件。第二，在预测切换事件的时间精度方面，通过平均绝对误差（MAE）与偏差直方图评估，DLML在全部预测秒内均低于CP，SG 2的MAE始终保持低于2 s，SG 8也低于2 s，而CP在长预测范围内分别接近3 s和5 s；偏差直方图证明DLML的误差分布更集中于真值附近且零偏差比例大幅提高，表明分层结构有效缩小了目标空间，提高了时序预测稳定性和准确性。第三，在敏感性分析方面，将预测阈值从20 s变化到40 s（间隔5 s），第一层分类性能稳定，F1分数仅随预测时域增加而平缓下降；第二层MAE在重叠区间内保持稳定，说明该方法对中等范围内的预测时域变化具有良好的鲁棒性，且性能变化源于不确定性增长而非类别不平衡。第四，在训练时间效率方面，基于相同计算资源和默认参数，DLML的训练时间显著短于CP，原因是第二层模型的目标空间仅限于0至30 s的残差时间，而CP需要覆盖更宽的取值范围，分层架构因此带来更强的计算效率和更低的能耗，也使超参数优化在计算上更加可行。第五，在特征重要性分析方面，研究人员采用气泡图与热力图结合的方式分析各类别特征对决策的贡献，结果表明信号组（SG）相关特征在所有模型中贡献最大，因为当前信号状态预决定了后续30 s内允许的切换序列；检测器特征对第一层是否释放的重要性突出，反映其直接驱动请求的特性；公共交通（PT）相关特征对SG 8的重要性略高于SG 2，与该相位可由PT直接触发的事实相符；时间参数（TIME）在所有模型中的重要性均不超过8%，验证了感应控制下切换行为由实时需求决定而非日程统计决定。这一特征模式在不同SG和不同预测目标间保持一致，显示出模型决策过程与实际交通控制逻辑的密切对应。

在讨论部分，研究人员指出，所提出DLML方法通过前置的事件分类步骤有效避免了在无请求或无可推断信息时的无效时序估计，从而提升精度与可靠性。特征重要性分析证实了该方法能够抓住感应控制系统的核心动态关系，具有较强的可解释性和迁移性。同时，实验显示预测精度随着预测时域增长而下降，反映了车辆感应控制下当相位请求尚未触发时，仅依据当前状态难以对未来切换做出可靠预测的内在局限性。因此，未来研究应着眼于对请求事件的预测，可能采用递归或基于变换器的序列学习架构以把握请求动态；同时，所提出的预测框架也可进一步适配和评估其他交通信号控制方式下的应用表现。最后，研究结论重申：DLML通过将事件检测与时序估计分层处理，在两个真实感应控制交叉口数据上全面优于传统T2SC预测流程，在提高预测精度、减少无效计算和降低模型训练成本等方面均表现出明显优势；该方法为请求驱动型相位切换时间预测提供了结构性的解决方案，并为扩展GLOSA等应用在感应控制环境中的适用性奠定了理论基础。