基于多源数据的鲁棒可信交通流推断：Metropolis尺度
机器学习
2026-05-26 v1 人工智能
摘要
从稀疏观测中高精度、可信地推断网络全网交通状态对于智能交通系统至关重要，但由于问题欠定、感知网络中的多样化扰动以及多个推断子任务在联合建模时存在内在冲突，这一任务仍具有挑战性。我们提出了任务感知注意型神经过程（TA-ANP），一个用于鲁棒可信全局交通状态推断（GTSI）的统一概率框架，通过融合漂移车数据（FCD）与稀疏固定探测器测量来实现。将GTSI建模为随机过程后，TA-ANP利用神经过程的元学习特性，能够适应感知配置的变化而无需重新训练。我们引入了具备不同时空归纳偏置的任务感知多查询注意模块，以联合处理三个GTSI子任务，同时减轻跨任务干扰。对于不确定性量化，我们将神经过程与蒙特卡罗 Dropout 结合，以捕获可测和不可测的不确定性。为支持城市规模评估，我们构建了大都会多源交通数据集（MMTD），集成固定环路传感器测量、漂移车数据统计和OpenStreetMap道路网络数据，覆盖2371个路段的城市网络。在MMTD上的实验表明，TA-ANP在确定性和概率指标下实现了所有子任务的领先性能。产生的良好校准不确定性使固定传感器布局更高效，传感器部署更少。针对损伤-修复-添加的感知生命周期，TA-ANP在扰动吸收、性能恢复和对未知感知配置的适应性方面表现出优越的鲁棒性。
引用
@article{arxiv.2605.25004,
title = {Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data},
author = {Qishen Zhou and Yifan Zhang and Michail A. Makridis and Anastasios Kouvelas and Yibing Wang and Simon Hu},
journal= {arXiv preprint arXiv:2605.25004},
year = {2026}
}
备注
The paper has been submitted to Elsevier for possible publication