基于探针监督图卷积循环网络的稀疏固定传感器全路网高速公路速度即时预测与未来预测
Network-Wide Freeway Speed Nowcasting and Forecasting from Sparse Fixed Sensors with a Probe-Supervised Graph Convolutional Recurrent Network
精选理由
仅凭少量固定传感器，即可精准补全并预测全路网车速，助力交通拥堵监测与调度。
AI 摘要
arXiv:2610.22630v1 公告类型：new 摘要：交通管理部门需要获取其路网中每条链路当前及近期的速度，但固定传感器仅覆盖其中一部分。我们研究了Dallas--Fort Worth地区全部4{,}127条有方向高速公路链路的小时速度联合即时预测与未来一小时预测，所用传感器仅部署在643条链路上（15.6%）。训练过程中，历史探针车辆数据为每条链路提供监督；推理时仅使用传感器读数。我们将这一设置称为探针监督稀疏感知。我们提出GCRN+，一种预测相对于历史速度剖面偏差的图卷积循环网络。该网络将无参数、方向感知的传感器异常核插值同时用作输入特征和输出基线，并结合有向道路图上的扩散卷积GRU、低秩自适应图以及可学习的链路嵌入。该方法随网络规模线性扩展，并可在CPU上训练。我们根据探针速度模拟传感器读数，从而将时空推理与检测器标定相分离。在四个留出的测试日中，对于未布设传感器的链路，GCRN+在当前小时和下一小时的RMSE分别达到2.21英里/小时和2.39英里/小时，而历史平均值为3.23英里/小时。使用相同插值特征的最佳基线方法分别达到2.53英里/小时和2.75英里/小时。不使用这些特征的经调整近期模型（STID、STAEformer、ImputeFormer、MoGERNN）最好分别达到2.54英里/小时和2.53英里/小时；这一比较针对的是完整流程，而非单纯的网络架构。除通过道路图与任何传感器均不连通的链路外，GCRN+在每个距离区间均表现最佳。在同一循环骨干网络内进行的消融实验表明，性能提升主要归因于链路嵌入和自适应图；由于每条链路都有探针标签，这些组件可以进行训练。在未布设传感器的链路上进行拥堵检测时，在精确率为0.94的情况下，召回率从历史平均值的77%和最佳竞争方法的86%提升至89%。