了解尖端的机器学习框架如何改变交通预测，实现全球实时导航和更智能的城市规划。
最近在arXiv预印本* 服务器上发布的一篇研究论文介绍了一种新颖的数据驱动框架，用于识别各种城市环境中的交通拥堵模式。它利用大规模交通数据来分析关键交通变量之间的相互作用，为实时导航和城市交通规划提供宝贵的见解。这种方法为交通流量估计提供了一种可扩展的解决方案，适用于全球不同的大都市地区。
为了应对影响城市交通、安全和生活质量的交通拥堵问题，谷歌研究人员采用了机器学习技术来研究交通动态。他们的目标是改进交通管理策略和导航系统，最终促进更高效、更可持续的城市交通网络。这项工作的一个显著特点是，它能够仅使用路段的基本静态属性来预测交通特性（如临界密度），从而进一步增强其实用性。
交通拥堵严重影响城市交通、安全和生活质量，影响出行时间、燃料消耗和环境健康。为了有效地预测和管理拥堵，必须了解关键交通变量之间的复杂关系：流量（车辆量）、速度和密度。
传统方法通常依赖于估计基本图，这些图使用从固定传感器收集的数据来表示这些变量之间的关系。然而，这些方法面临着有限的空间覆盖范围和数据缺口的问题。另一方面，基于全球定位系统 (GPS) 的浮动车辆数据提供了更广泛的覆盖范围，但由于车辆普及率的变化，在准确估计总流量方面面临挑战。为了克服这些挑战，本研究专注于开发与观察到的部分流量、速度和密度相关的“拥堵函数”，这些函数可以有效地扩展到整个城市和全球层面。从传统的特定于部分的方法转变为统一的可扩展模型是该框架的核心创新。
我们的方法概述。我们收集数据点，捕捉给定城市内每个路段的静态和动态属性。然后，我们按道路类型分离数据点，特别是它们来自高速公路还是主干道。最后，我们在每类样本上训练一个单独的神经网络，以根据当前观察到的流量和其他特征估计平均速度。
本文提出了一个全面的数据驱动框架，使用通用方法识别路段级交通拥堵函数。他们没有估算单个路段的参数，而是开发了一个适用于大都市地区所有路段的统一函数。
该框架将所有路段的交通数据合并为一个数据集，包含路段长度、车道数和速度限制等静态属性以及一天中的小时、一周中的某天以及之前的速度和流量测量值等动态、时间相关的特征。
然后，基于这一综合数据集训练前馈神经网络，根据观察到的部分流量和其他交通相关特征预测空间平均速度。为了解释不同的交通模式，分别针对高速公路和主干道训练了不同的神经网络。使用 S 型激活函数预测平均速度的倒数，优先考虑拥堵时段的准确性。这种设计选择凸显了模型对关键交通状况的关注。
研究人员在模型的输出层中使用了 S 型激活函数来估计平均速度的倒数，重点是提高拥堵期间的预测准确率。他们对倒数速度应用了均方损失函数 (L2-squared)，确保模型在拥堵条件下优先考虑准确性，从而能够更有效地表示关键的交通动态。
使用包含来自全球多个城市数据的大规模数据集对所提出的框架进行了严格评估。评估主要侧重于两个方面：预测效用和泛化能力。对于预测效用，使用保留的测试数据将该模型的性能与每个段的基线模型 (BPR) 进行了比较。
结果表明，统一拥堵函数在高速公路路段上的表现与分段 BPR 模型相当甚至更好。然而，在主干道上仍有改进空间。例如，综合指标显示，该模型在高度拥堵时期表现不佳，但在自由流动和过渡条件下表现出色，突出了需要改进的地方。值得注意的是，在 BPR 模型因数据不足而表现不佳的路段上，单一模型的平均绝对误差 (MAE) 与 BPR 模型相当或更低。速度四分位数的误差分析表明，单一模型在自由流动和过渡时期表现出色，而基线模型在最大拥堵期间表现更好。
对于泛化能力，作者采用了交叉验证和零样本迁移学习。交叉验证结果表明，统一模型可以有效地推广到同一城市内未观察到的路段。它实现了与训练数据中观察到的平均绝对百分比误差 (MAPE) 相似。
零样本迁移学习表明，该模型成功地在类似地理区域的城市之间迁移，例如美国和欧洲。然而，在亚洲和西方等地区的城市之间迁移时，其有效性会下降。这表明需要针对特定区域进行增强，以提高全球适用性。
该研究还评估了该模型仅使用静态路段属性预测特定路段交通流属性（包括临界密度）的能力。研究结果表明，该框架可以近似临界密度，其准确度可与特定路段模型相媲美，证明了其可扩展应用的潜力。
这项研究对推进交通系统具有重要意义。该框架能够根据全球和特定路段的观测流量准确预测交通速度，从而增强实时导航系统，使其能够更有效地适应不断变化的拥堵模式。
决策者可以利用该系统预测各种干预措施的效果，从而改善交通管理策略。此外，该系统仅使用静态属性即可估算特定路段的属性（例如临界密度），为城市规划提供了重要见解，促进了更高效、更可持续的交通网络。通过解决传统数据缺口和可扩展性的挑战，该框架为城市交通创新开辟了新途径。
综上所述，新型数据驱动系统被证明能够有效识别路段级交通拥堵函数，在预测准确性和泛化方面均表现出良好的效果。虽然单一模型在高速公路路段上的表现优于路段专用模型，但在主干道上仍有改进空间。
未来的工作可以集中在整合更先进的细分特征、探索图神经网络等机器学习技术以及结合物理约束以提高准确性和通用性。此外，将该系统应用于交通属性推理和拥堵预测等任务并在开源数据集上进行测试将进一步验证其有效性。解决区域差异和增强模型可移植性对于扩大其全球影响力也至关重要。
本文所发布的内容和图片旨在传播行业信息，版权归原作者所有，非商业用途。如有侵权，请与我们联系。所有信息仅供参考和分享，不构成任何投资建议。加密货币市场具有高度风险，投资者应基于自身判断和谨慎评估做出决策。投资有风险，入市需谨慎。
关注我，一起探索AWM！
近期热点
