基于全球开放多源数据的城市间网络级交通流估计：欧洲与北美大规模案例研究
机器学习
2025-02-07 v1
摘要
网络级交通流捕捉一般网络中每条链路的动态交通量，是智能出行应用的基本要素。然而，由于安装和维护成本的高昂，传感器所观测到的交通流在整个网络上的覆盖范围通常有限。为此，现有研究利用各种补充数据源来弥补传感器覆盖不足的问题并估计未观测到的交通流。尽管这些研究已显示出有前景的结果，但由于不同城市中补充数据的可用性和质量不一致，这些方法通常面临准确性与普适性之间的权衡挑战。为突破这一权衡，本研究首次提出在高级深度学习框架中运用 Global Open Multi-Source（GOMS）数据。GOMS 数据主要包括地理信息和人口统计信息，涵盖道路拓扑结构、建筑物轮廓以及人口密度，这些数据可在城市之间一致收集。更重要的是，这些 GOMS 数据要么是交通活动的原因，要么是结果，从而为实现精准的网络级流量估计创造了机会。此外，我们使用地图图像来表示 GOMS 数据，而非传统的表格格式，以更全面地捕获地理信息和人口统计信息。为实现多源数据融合，我们开发了一种基于注意力机制的图神经网络，有效提取和综合 GOMS 地图信息的同时，捕获来自观测交通数据的时空动态。我们开展了跨欧洲和北美 15 个城市的大规模案例研究。结果表明，这些方法在这些城市实现了稳定且令人满意的估计精度，表明我们的方案能够成功地解决该权衡挑战。
引用
@article{arxiv.2502.03798,
title = {Network-Wide Traffic Flow Estimation Across Multiple Cities with Global Open Multi-Source Data: A Large-Scale Case Study in Europe and North America},
author = {Zijian Hu and Zhenjie Zheng and Monica Menendez and Wei Ma},
journal= {arXiv preprint arXiv:2502.03798},
year = {2025}
}