基于 Newell 理论的时空交通预测特征变换

用于时空交通流预测的深度学习（DL）模型采用卷积或图卷积滤波器与循环神经网络相结合，以捕捉交通数据中的空间与时间依赖。这些模型（如 CNN-LSTM）利用相邻检测站的交通流来预测感兴趣特定位置的流量。然而，这些模型在捕捉交通系统更广义动态方面的能力有限，因为它们主要学习特定于检测站配置及目标位置交通特征的特征。因此，这些模型迁移至不同位置的难度较大，尤其当新位置无数据可用于模型训练时。为应对此局限，我们提出一种用于时空 DL 模型的基于交通流物理的特征变换。该变换在目标位置融入 Newell 的无拥堵与拥堵状态交通流估计量，使模型能学习系统更广义的动态。我们的方法使用来自两个不同位置的交通数据进行了实证验证。结果表明，所提特征变换在不同预测区间内改善了模型交通流预测性能，更佳的拟合优度统计量说明了这一点。我们框架的一个重要优势是能迁移至无数据可用的新位置。这是通过基于站点距离与多种交通参数恰当考量空间依赖实现的。相比之下，常规 DL 模型因其输入固定而不易迁移。需注意，受数据限制，我们未能进行空间敏感性分析，这有待使用模拟数据的进一步研究。