《Applied Research》：Artificial Intelligence-Driven Traffic Flow Forecasting and Spatial Road Operation Risk Assessment
编辑推荐：
摘要：准确的多步交通流预测和道路运行状态的空间评估对于主动式城市交通管理至关重要。现有模型能够捕捉时间变化和路网依赖性，但其精度通常随着预测时长的延伸而下降，同时单纯的数值流量预测无法直接揭示运行压力集中的位置。本研究提出了一种带时间特征融合的自适应图小波网络
摘要：准确的多步交通流预测和道路运行状态的空间评估对于主动式城市交通管理至关重要。现有模型能够捕捉时间变化和路网依赖性，但其精度通常随着预测时长的延伸而下降，同时单纯的数值流量预测无法直接揭示运行压力集中的位置。本研究提出了一种带时间特征融合的自适应图小波网络模型（Adaptive Graph WaveNet with Temporal Feature Fusion，简称AGWN TF），用于短期交通流预测和道路运行风险评估。该模型在Graph WaveNet的基础上进行了扩展，在其时空预测主干中加入了源自时间戳的时间上下文，包括一天中的时刻、一周中的星期几以及日历类型。AGWN TF在从LargeST GBA数据集中提取的包含294个传感器的子网络上进行了评估，利用前6小时的观测数据预测未来60分钟的交通流。预测结果进一步转化为道路运行风险指数（Road Operation Risk Index），该指数综合了流量压力、短期流量变化、由节点级预测误差表示的预测不确定性以及空间影响。AGWN TF的MAE为36.06，RMSE为55.41，MAPE为18.36%，优于LSTM、STGCN和Graph WaveNet。与Graph WaveNet相比，三项误差分别降低了2.99%、1.89%和2.50%。其优势在预测的中后期阶段更为明显，而代表性节点分析表明其能够较好地复现周期性峰值和整体交通演变。08:00、12:00和18:00的RORI地图揭示了运行压力在一天中的空间变化，早晚时段呈现更集中的高风险模式。这些结果表明，AGWN TF为准确的多步预测和空间可解释的道路运行评估提供了一个集成框架，并有助于交通管理资源的分配。
**论文解读：基于时间特征融合的自适应图小波网络用于交通流预测与道路运行风险评估**
### 1. 研究背景与问题
城市交通网络为日常出行和道路管理提供了重要支撑。随着城市出行需求快速增长，许多路网面临反复拥堵、时间需求不均衡和局部运行扰动等问题。准确的短期交通流预测对于主动式交通监测和管理至关重要。近年来，人工智能和深度学习方法因其能够学习非线性时间模式并融合大规模传感器观测信息而被广泛用于交通预测。然而，交通流不仅是一个时间序列，它还受到道路连通性、通勤方向、走廊功能以及传感器之间空间交互的影响。忽略时间规律或路网依赖性的预测模型在多步预测中可靠性有限。
早期深度学习模型主要聚焦于时间序列建模，如长短期记忆网络（LSTM），但循环模型无法显式描述路网拓扑。为此，图神经网络被引入交通预测，将传感器作为图节点、道路连接作为图边，典型模型如DCRNN和STGCN。后续研究通过自适应图学习、动态空间依赖、注意力机制、多图建模和Transformer结构进一步改进。Graph WaveNet因其能从数据中学习潜在节点关系同时保留观测路网，适用于复杂城市交通网络。然而，仍存在两个关键问题：一是模型主要依赖历史交通观测，隐含的时间模式不足以区分工作日、周末、节假日等不同时段状态，预测时长增加时误差加剧；二是传统评价指标如MAE、RMSE、MAPE只反映预测精度，无法直接指示路网运行压力集中的位置，管理者需要将未来流量转化为支持优先级筛选和资源分配的空间信息。为此，本研究提出了带时间特征融合的自适应图小波网络（AGWN TF），实现多步交通流预测与空间道路运行风险评估。
### 2. 研究方法与关键技术
研究基于LargeST GBA数据集（源自加州性能测量系统），选取旧金山湾东部涵盖I-80、I-580、I-880、SR-24和SR-238等主要通勤廊道的294个传感器节点子网络。数据预处理包括无效值处理、插值填充、中位数填补和归一化。模型方面，AGWN TF在Graph WaveNet主干上加入时间戳衍生特征（时段、星期、工作日、周末、节假日），通过门控膨胀时间卷积和图卷积提取时空依赖，并使用自适应邻接矩阵。基线模型包括LSTM、STGCN和Graph WaveNet。预测采用6小时输入窗口，直接多步输出未来60分钟（12步）流量。此外，研究者构建了参数匹配的确定性对照GWN-32D以隔离输入维度扩展效应，并使用GradientSHAP进行时间特征归因分析。道路运行风险指数（RORI）由流量压力、流量变化风险、预测不确定性和空间影响四个归一化分量加权合成。
### 3. 研究结果
**3.1 模型训练与总体预测性能**
训练和验证损失曲线显示各模型收敛趋势差异。测试集上，STGCN误差最大，LSTM与Graph WaveNet接近。AGWN TF取得最优总体性能，MAE为36.06，RMSE为55.41，MAPE为18.36%，较Graph WaveNet分别降低2.99%、1.89%和2.50%。GWN-32D对照与原始Graph WaveNet结果数值等价，证明仅增加输入维度和参数不会提升预测；AGWN TF相对该对照的改进归因于正确对齐的时间特征及其学习到的投影权重。
**3.2 多步预测与代表性节点分析**
各模型误差均随预测超前时间增加而增大。LSTM在最短时步最优但曲线上升更快，两个基于Graph WaveNet的模型在中后期更具竞争力，AGWN TF在中后大部分时步取得最低或接近最低的误差。在8个代表性传感器中，AGWN TF在7个节点取得最低标记误差，节点110例外（LSTM最优）。节点级MAE空间分布显示较高误差集中在子网络的北部、东部和南部支路，该映射直接作为RORI中预测不确定性（PU）的空间误差输入。
**3.3 道路运行风险的时空分析**
2019年3月20日08:00、12:00和18:00的RORI地图显示，大多数节点处于低风险范围。08:00地图比12:00有更多升高节点，尤其在中心交叉口和若干连接支路附近；12:00模式更均匀；18:00局部增强再次出现但未全网络扩散，最明显差异限于个别传感器和短连接段。相较三个时段，RORI更适用于定位综合得分高于周边网络的小组传感器，而非识别大范围高风险。
**3.4 时间特征归因**
GradientSHAP分析显示，时段（time of day）是最具影响力的时间特征，平均归一化重要性为68.36%；星期（day of week）次之（11.97%）；周末（7.95%）、工作日（7.93%）和节假日（3.79%）贡献相对较小。该分布在各预测时步保持稳定，表明日内周期性提供了主要时间信息，周历特征起补充作用。
### 4. 讨论与结论
讨论部分指出，AGWN TF的改进在最短预测步后更为明显，因为最近观测的直接约束减弱时，时间戳变量作用凸显；自适应空间学习有助于抑制误差随超前时间的增长，但并非在每个指标和节点均占优。RORI提供的是相对运行度量而非事故概率或官方预警等级，其权重与阈值需在部署前进行本地标定；PU反映归一化节点级误差而非概率不确定性。未来工作将扩展至更广路网和更长时段，融入天气、事件等外部扰动，开发概率预测输出，并利用历史运营事件改进RORI。
结论部分总结：本研究开发的AGWN TF模型在294节点子网络上，使用6小时历史输入预测未来60分钟流量，取得了最优总体性能。时间特征融合在中后期预测步优势更明显，代表性节点分析确认模型能复现多数传感器的周期峰值，但突变局部波动仍难精确预测。RORI框架将数值预测扩展至空间运营评估，通过整合流量压力、流量变化、预测不确定性和空间影响，识别不同传感器和时段间的相对运行差异。08:00和18:00的风险模式比12:00更集中。RORI适用于相对筛选、优先节点识别和走廊级监测，但具体管理措施仍需辅以速度、占有率、道路容量和现场观测等信息。
