利用理论引导的深度学习进行国家路网长期交通建模
机器学习
2026-03-30 v1 计算工程、金融与科学
摘要
长期交通建模是交通规划的基础，但现有方法往往在可解释性、可迁移性和预测准确性之间做出权衡。经典出行需求模型提供了行为结构，但依赖强假设和大量校准，而通用深度学习模型捕捉复杂模式但往往缺乏理论基础和空间可迁移性，限制了其在长期规划应用中的用途。我们提出了 DeepDemand，一个理论引导的深度学习框架，将出行需求理论的关键组件嵌入其中，使用外部社会经济特征和路网结构预测长期高速公路交通流量。该框架集成了竞争性双源 Dijkstra 过程用于局部 OD 区域提取和 OD 对筛选，以及用于建模 OD 交互和出行时间威慑的可微分架构。该模型使用英国战略路网八年间（2017-2024）的观测数据进行评估，覆盖 5088 个公路路段。在随机交叉验证下，DeepDemand 实现了 R² = 0.718 和 MAE = 7406 辆车，优于线性、岭回归、随机森林和引力模型基线。在空间交叉验证下性能依然强劲（R² = 0.665），表明良好的地理可迁移性。可解释性分析揭示了稳定的非线性出行时间威慑模式、需求的关键社会经济驱动因素以及与主要就业中心和交通枢纽一致的多中心 OD 交互结构。这些结果强调了将交通理论与深度学习相结合以实现可解释的高速公路交通建模和实际规划应用的价值。
引用
@article{arxiv.2603.26440,
title = {Interpretable long-term traffic modelling on national road networks using theory-informed deep learning},
author = {Yue Li and Shujuan Chen and Akihiro Shimoda and Ying Jin},
journal= {arXiv preprint arXiv:2603.26440},
year = {2026}
}