化身“交通预言家”——交通流量预测研究的现状与展望

随着大数据时代的到来，大数据赋能交通发展受到广泛关注，得到国家政策的大力支持。2022年初，交通运输部与科学技术部联合制定了《交通领域科技创新中长期发展规划纲要（2021—2035年）》，要求“突破城市交通需求预测及评估仿真、交通运行状态感知等技术，推动新一代信息技术在交通运输与城市协同发展、城市公交线网布局优化和车辆精准调度、运行动态监控等的应用，提升城市交通拥堵综合治理技术水平”，为大数据与城市交通运输融合提供了有力的支撑。

城市中不同区域的交通流量反映了城市居民的出行需求，精准高效地预测不同区域的交通流量，是实现车辆精准调度、公交系统优化的基础，有助于缓解城市交通拥堵、提高城市交通效率，对推动智慧交通与智慧城市协同发展至关重要。基于精确的交通流量预测结果，交警部门可以进行及时的交通疏导以缓解由于流量过大带来的拥堵；出租车、网约车、共享单车等公司可以进行车辆调度，以保障市民的用车需求。

今年10月29日，韩国首尔龙山区梨泰院发生大规模踩踏事故，因预防准备不足、现场管理不力、应对处置不当，造成重大人员伤亡。

踩踏事故让人无比痛心，也让我们更加重视对流量预测的研究。对未来时刻的人流进行精准、及时的预测，可以科学地助力政府部门及时对人流密集的景区、景点加派治安人员，采取临时人流管制与疏散等措施，最大限度降低由于人流过大引起踩踏事故的概率，避免悲剧的发生。

2020年，一篇《外卖骑手，困在系统里》引发人们对外卖骑手生存环境的思考。交通流量预测不仅服务于人、车辆出行的预测，同样适用于城市场景中的物流配送。每天有大量的外卖订单产生，外卖员从商家取货、送到顾客手中，类似于车辆的行驶轨迹，外卖员取货与送货的轨迹，本质上反映了商家与客户之间的供需关系。通过对不同区域商家的供应量、客户的需求量进行预测，实现更优化的外卖员调度，既保障了外卖员收益的最大化，又保证客户在更短时间内收到自己的外卖。

城市不同区域的交通流量预测是一项极具挑战的研究工作。研究高精准的交通预测模型，需要考虑以下三方面的因素：

区域自身特征：区域交通流量的变化模式因区域不同存在差异，具有明显的时间与空间特征。

区域之间相关性：由于交通的流动性，区域之间的流量变化存在复杂的相关性。这种相关性是时间相关性与空间相关性共同作用下的结果，具有明显的多周期特征。

偶发事件：交通的运行固然有其固定的时空规律，但疫情、节假日、极端天气、交通事故等偶发事件的发生，容易打乱原有运行规律，使预测具有极大的不确定性。

早期交通流量预测的研究工作主要基于回归模型，如ARIMA模型与非参数回归模型。这些工作考虑了区域未来交通流量与历史数据的时间相关性，但缺乏对区域之间空间相关性的考虑。此外，部分学者采用机器学习算法，例如支持向量机（SVM）、梯度提升回归树、线性回归模型等，基于多源数据（例如POI数据、天气数据等）中提取的特征进行预测。虽然这些方法缺乏对时空关系的深层次考虑，具有较大的提升空间，但在实际中仍有着广泛的应用。

近年来，随着深度学习技术的发展，越来越多的学者开始利用深度神经网络对区域间的时空相关性进行建模，提高预测的准确率。

卷积神经网络（CNN）主要被用于学习相邻区域的空间相关性。在这些研究工作中，城市被切分成不同的网格，CNN用于学习相邻网格之间的相关性并对网格的交通流量进行预测。基于CNN的方法局限于网格的划分，无法应用于非网格的交通流量预测，例如地铁站流量预测、卡口交通流量预测等。另外，CNN对于区域相关性的学习受限于感受野的大小，不适用于学习远距离区域之间的相关性。

部分研究工作使用图神经网络（GCN）对区域之间的相关性进行学习。这些研究工作利用图结构中的节点表示不同的区域，并利用图卷积对节点(即区域)之间的相关性进行学习；但基于图的研究工作依赖于图结构的表示，现有工作大多利用区域之间的距离、交通路网来构建图结构。这些工作需要通过堆叠多层的卷积网络拓展网络的感受野，但也因此导致模型训练效率的低下以及过度平滑的问题，降低预测准确度。

近年来，随着Transformer在自然语言处理与计算机视觉领域获得的巨大成功，部分学者开始探索利用Transformer进行交通流量的预测。Transformer可以被视为一种特殊的基于强连通图的图神经网络，能够学习到任意两个区域之间的相关性，但也因此导致计算复杂度高与长尾效应等问题。

针对时间相关性的研究，许多学者探索了循环神经网络（RNN）及其变形如LSTM、GRU对时间信息的挖掘与利用。然而，基于RNN的预测模型对长期的时间相关性学习能力不足，随着历史时间的增长效果也会随之下降。

近年，部分学者通过引入注意力机制来提高模型对长期依赖性的学习能力，但这些方法依然受限于RNN的训练效率，难以实现并行化的训练。为了实行模型的并行化处理，以及对长期时间依赖性的学习，学者们开始探索利用自注意力机制替代RNN的可行性。相比较于RNN，自注意力机制能够实现并行化处理，提高训练效率，同时实现对长期依赖性的学习；但自注意力模型需要对任意两个时刻之间的依赖性进行评估，在训练效率上仍存在改进的空间。

对于交通流量预测的研究虽然取得了一定的研究进展，但以下方向仍有待突破：

区域之间的相关性既包括临近区域之间的相关性（局部相关性），也包含了远距离区域之间的相关性（全局相关性）。现有大多数方法（例如CNN、GCN等）受限于感受野的大小，无法对全局相关性进行考虑。因此，融合全局与局部的时空相关性，有助于进一步提升模型的准确性。

不管是区域交通流量的变化，还是区域之间的动态相关性，都是时间与空间两个因素共同作用的结果。现有工作主要针对时间与空间分别独立建模，缺乏对时间与空间因素共同作用产生的相关性进行探讨。

偶发事件影响下的交通流量预测对交通管理有更重要的意义，但偶发事件的发生打乱了交通流量原有的变化规律，加大了预测的难度。目前鲜有针对偶发事件影响下交通流量预测的研究工作。因此，考虑偶发事件对交通流量变化的影响，是一个非常重要的研究方向。

尽管交通流量预测模型近年来取得了很大发展，但是预测准确率提升的背后是更大、更复杂、更难训练的深度学习模型。这些模型的训练与部署需要耗费大量的训练时间与计算资源；同时，更复杂的模型意味着需要更多的训练数据，限制了模型的推广与部署。因此，为了适用于更多的应用场景以及快速交付等需求，设计轻量、高性能的交通预测模型是目前该研究领域的重点突破方向之一。

｜文章提供｜

创新中心

｜编辑排式｜

办公室