
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理引导机器学习与边界流量不平衡特征的荒漠高速下游交通流预测与归因分析
《Scientific Reports》:Physics-guided machine learning for traffic-flow prediction and operating-regime attribution on a desert heavy-duty expressway
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要稀疏的路侧基础设施在荒漠高速公路上造成了较长的监测盲区。本研究开发了一种基于物理引导的机器学习框架,利用稀疏车流量观测进行下游交通流预测及运行状态归因分析。以新疆G30连霍高速40.9公里路段为研究对象,基于时间对齐的上游与下游流量构建了受守恒原理启发的边界流量不平衡特征
稀疏的路侧基础设施在荒漠高速公路上造成了较长的监测盲区。本研究开发了一种基于物理引导的机器学习框架,利用稀疏车流量观测进行下游交通流预测及运行状态归因分析。以新疆G30连霍高速40.9公里路段为研究对象,基于时间对齐的上游与下游流量构建了受守恒原理启发的边界流量不平衡特征。对标准化后的训练期数据拟合K-means聚类模型,随后使用固定的预处理参数和聚类中心对验证集与测试集观测进行划分。采用树结构帕兹估计器优化的XGBoost模型进行一步预测,并利用SHapley加和解释方法量化基于模型的特征贡献。在按时间顺序划分的训练-验证-测试集配置下,该模型的R2为0.9092 ± 0.0043,RMSE为129.43 ± 2.35 pcu/h,MAE为98.83 ± 1.57 pcu/h。这些指标在评估的各项配置中均取得最低平均误差,尽管与最强基线的差距较为有限。消融实验表明,边界流量不平衡特征提供了互补的预测信息。归因模式在数据驱动的不同运行状态下有所变化,但这些结果应被解读为模型关联,而非因果效应或物理交通状态的直接证据。该框架可在连续速度与密度观测不可用的情况下,支持可解释的短期预测。