提炼环形检测器数据集的信息精华：网络级交通预测是否渴求更多数据？

网络级交通状态预测已被深入研究数十年。尽管随着新兴深度学习模型和不断扩展的交通数据的出现，预测精度持续提升，交通预测在实践中仍面临诸多挑战。这些挑战包括数据驱动模型的鲁棒性、交通动力学固有的不可预测性，以及交通预测的进一步改进是否需要更多传感器数据。本文聚焦于后一问题，特别是环形检测器的数据。为回答该问题，我们提出一种不确定性感知的交通预测框架，以探究多少环形数据样本对训练预测模型真正有效。首先，模型设计将交通流理论与图神经网络相结合，确保预测与不确定性量化的鲁棒性。其次，采用证据学习在单次前向传播中量化不同来源的不确定性。估计的不确定性被用于“提炼”充分覆盖信息内容的数据集精华。以阿姆斯特丹周边高速公路网络为案例的研究表明，2018至2021年间，白天超过80%的数据可被移除。剩余的20%样本具有同等的训练模型预测能力。该结果表明，大型交通数据集确实可被细分为显著更小但信息量等同的数据集。基于这些发现，我们得出结论：所提方法在评估大型交通数据集的真实信息内容方面具有价值。进一步的扩展，如提取更小的空间非冗余数据集，亦可借助该方法实现。