面向城市交通走廊的时空图基数字孪生模型TGDT

信号化交叉口的城市拥堵导致显著的延误、经济损失和排放增加。现有深度学习模型往往缺乏空间可推广性，依赖复杂的架构，且难以应用于实时部署。为此，我们提出时空图基数字孪生模型（TGDT），一种可扩展框架，将时序卷积网络和注意力图神经网络集成用于城市走廊动态、方向感知的交通建模与评估。TGDT估计交叉口层面的关键影响度量指标（如排队长度、等待时间）和走廊层面的影响度量指标（如交通量、行驶时间）。其模块化架构和顺序优化方案使其能够轻松扩展到任意数量的交叉口和影响度量指标。该模型在准确生成高维、并行多输出估计方面超越了最先进的基线方法。它还显示出在包括极端情景的多种交通条件下都具有高度鲁棒性和准确性，仅依赖最小集合的交通特征。完全并行化，TGDT能够在数秒内模拟超过一千种情景，为城市交通管理和优化提供一种成本效益高、可解释且实时的解决方案。