基于物理引导初始化与多尺度图注意力的车道级交通时空图数据插补

《Physica A: Statistical Mechanics and its Applications》：Physics-Guided Initialization and Multi-Scale Graph Attention for Lane-Level Traffic Time–Space Diagram Imputation

　　

车道级交通状态可以通过由车辆轨迹数据构建的时空图 (TSDs) 来表示。然而在实际中，只能观测到部分车辆，从而产生带有大面积连续间隙的不完整时空图。本文提出了一种名为 PI-MSGAT 的物理引导初始化和多尺度图注意力网络，用于填补这些间隙。交通知识被编码为节点初始化和边属性中的结构级先验。首先，双波初始化沿自由流行波方向和拥堵波方向传播观测速度，并根据可用性融合生成的候选值。其次，波对齐度量被包含在几何多尺度图的边特征中。网络在保留已观测单元格的同时，预测对物理锚点的残差校正。实验使用 NGSIM US-101 的车道级轨迹数据，以全覆盖时空图为目标，并进行车辆级掩蔽。PI-MSGAT 在第 1 车道上训练，并在同一路段的其他四个车道上测试。与对比方法相比，它实现了最低误差，总体 MAE 为 3.117 km/h，RMSE 为 4.262 km/h。相对于最强的基线 GRIN，这些值分别减少了 4.4% 和 4.8%。该优势在所有从 0.2 到 0.9 的车辆移除比例中均成立。消融实验结果证实了双波初始化、残差读出以及几何和波对齐边属性的贡献。

引言
车道级交通状态信息支持道路交通运行与控制。时空图 (TSD) 是用于此目的的基本工具。它以离散化的时空单元呈现交通状态，并直接显示拥堵的演化过程 [1]。完整的时空图还支持基于单元的交通排放估算等下游应用 [2]。车辆轨迹数据使得能够直接构建车道级时空图。车联网系统提供了这种轨迹数据日益可用的来源。每个单元的值是单元内轨迹点的平均速度。

在实际中，只能观测到部分车辆。未观测到的车辆不会留下轨迹。没有观测轨迹的单元保持为空，导致生成的时空图不完整。因此，低渗透率会产生大面积连续间隙。渗透率和单元分辨率共同决定估计误差 [3]。连续间隙可能同时包含自由流、拥堵和过渡状态。因此，补全这样的时空图是一项基础且困难的任务。

现有方法大致包括基于交通流的插值、数据驱动填补和物理信息学习。模型驱动方法，如 ASM，沿特征方向传播观测值，并提供清晰的物理解释 [4]。这些方法可解释且数据高效，但其固定形式限制了准确性。数据驱动方法从观测中学习时空依赖性 [5]。它们在熟悉模式上的准确性很高。然而，它们的输出可能会违反交通动力学，且大面积连续间隙仍然难以处理。物理信息学习提供了一种结合这些互补信息来源的方法 [6]。

先前的研究展示了将交通流物理纳入数据驱动估计的几种互补方式。各向异性卷积、高斯过程核和波信息图在算子中编码了可行的传播方向 [7], [8], [9]。基于物理的估计也在相关轨迹应用中改善了数据驱动重建 [10]。这些发现激励了一种掩蔽时空图补全框架，该框架利用物理构建初始场，同时保留几何图用于可学习精炼。在这种形式化下，观测掩码明确区分已知和缺失单元，输入级初始化和边级波对齐的贡献可以单独评估。这是 PI-MSGAT 的设计重点。贡献有三点：
基于车道级轨迹的时空图填补被形式化为网格图上的掩蔽补全。保留已观测单元，学习和评估仅限于有效隐藏单元。
开发了一种双波初始化，沿自由流行波和拥堵波方向聚合观测速度。基于可用性的规则融合候选值，而无需将目标单元分配给预定义的交通状态。
提出了一种具有结构级交通先验的补全框架。双波输入和波对齐属性引导几何网格邻域上的多尺度图注意力。消融实验评估了输入级初始化和边级信息对掩蔽单元重建的贡献。

本文其余部分组织如下。第 2 节回顾相关文献。第 3 节定义填补问题。第 4 节介绍所提出的方法。第 5 节描述案例研究和实验设置。第 6 节报告并讨论结果。第 7 节总结全文。

章节片段
时空图
时空图以离散化的时空单元呈现交通状态。它是交通分析和可视化的基本工具 [1]。车辆轨迹数据支持直接构建时空图。Edie 的广义定义计算任何时空区域内的流量、密度和速度 [11]。Seo、Kusakabe 和 Asakura [12] 通过间距测量从探针车辆估计流量和密度，他们的方法避免了基本图假设。Dahiya 和

问题定义
考虑一段高速公路的一个车道，长度为 ??。观测期持续时间为 ??。时空域为 ??= [0,??]×[0,??]。该域被划分为大小为 ????? ×????? 的均匀单元 [1]。该操作生成一个 ?? ×?? 网格，其中 ??= ??/????? 且 ??= ??/?????，如图 1 所示。单元 (??,??) 的中心位于 ????= (???1/2)?????? 和 ????= (???1/2)??????。该形式化使用四个数据对象：观测矩阵 ??obs、全样本真值 ??full、观测掩码 ?? 和有效性掩码 ??。
设 ??obs??,??

总体架构
PI-MSGAT 通过锚定与校正策略填补不完整时空图，如图 2 所示。交通知识作为结构级先验进入节点初始化和边属性。初始化提供了一个结构化的起始场。然后图网络学习该场应如何校正。初始化模块沿两个特征方向聚合观测速度。这些分支为每个...生成一个自由流候选和一个拥堵波候选

研究地点与数据集
案例研究使用了加利福尼亚州洛杉矶下一代仿真 (NGSIM) US-101 数据集 [49] 中的车辆轨迹数据。数据提取自安装在高速公路相邻高层建筑上的摄像机拍摄的同步视频，提供了研究区域每辆车的完整轨迹。原始数据覆盖了 45 分钟的早高峰运行，采样频率为 10 Hz。从大约 640 米的研究...中选定了 600 米的主线段

与基线模型的整体比较
表 1 报告 PI-MSGAT 的总体 MAE 为 3.117 km/h，RMSE 为 4.262 km/h。相对于最强的基线 GRIN，这些值分别减少了 4.4% 和 4.8%。MDRGCN 排名第二，其次是 ASM 和 PConv-UNet。
模型家族之间的排名差距具有信息量。基于图像的模型将图视为通用图像。它依赖于局部纹理和平移不变滤波器。然而，交通波沿定向特征线传播。一个普通的

结论
本研究将基于车道级轨迹的时空图填补形式化为掩蔽图补全问题，并提出了 PI-MSGAT。该模型结合了双波初始化和针对几何邻域的多尺度图注意力。交通知识通过双波初始化和波对齐边属性作为结构级先验进入。几何多尺度图提供了对初始化锚点的可学习精炼。然后残差读出在...的同时精炼缺失单元

CRediT 作者贡献声明
Hao Huo：软件、形式分析。Wenbo Lu：写作 – 审阅与编辑，软件，方法论。Jinhua Xu：写作 – 审阅与编辑，写作 – 原稿，可视化，软件，方法论，资金获取，概念化。Huiting Cheng：写作 – 原稿，可视化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能被认为会影响本文中报告的工作。

致谢
本研究得到了教育部 (MOE) 青年学者项目人文社科基金 (25YJCZH311) 以及 2026 年无锡交通科技与成果转化项目的支持。

利益冲突声明
作者未报告潜在的利益冲突。

徐金华 | 程慧婷 | 霍浩 | 卢文博