基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法,分析了道路指定断面和区域路网宏观交 通流预测的国内外研究现状和发展趋势,归纳了局部断面交通流预测方法,包括传统机器学习、递 归神经网络和混合模型,分析了卷积神经网络、图神经网络和融合多因素网络的特点,阐述了方法 的原理、优势、局限性和应用场景,总结了现有场景交通数据集类别,从采样周期与采集方式角度归 纳了国内外主流交通数据集.分析结果表明:递归神经网络可以有效获取交通数据的历史规律,但 存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题;图神经网络针对路网拓扑连接关系引 入了图结构,在考虑路网和交通流数据的时空相关性上具有明显优势;融合多因素网络充分考虑天 气、道路、事故等内外部因素的影响,有效提升了交通流预测的实时性和鲁棒性;由于交通数据采集 困难、外部因素影响难以量化、机器学习方法可解释性差等原因,交通流预测方法的改进受到了限 制;未来应从交通信息有效挖掘和图卷积方法完善两方面入手,拓宽图结构在交通领域的应用和考 虑非常态交通场景,进一步揭示交通数据的内在规律,开发更准确、高效的交通流预测方法,推动交 通流预测在工业界的落地应用.

随着城市化进程的加快以及人均车辆保有率的不断提升，交通堵塞和交通事故已成为全球性问题，无论是发达国家还是发展中国家，现有交通系统都不可避免地存在着交通拥堵频繁、交通事故严重、交通环境污染等问题。为了应对这些挑战，许多城市致力于研究更高效的交通管理策略、更合理的交通资源分配和更优质的交通服务，特别是更精细的交通控制与诱导系统是智能交通系统(Intelligent Transportation System, ITS)研究的关键环节。其中，实时准确的交通状态感知和预测是实现智能交通系统的重要环节，提前预测未来交通状态可以为交通系统管理和规划提供科学依据[1]，交通管理部门以此制定更加灵活的交通控制策略，提前部署交通资源和引导交通流量，从而减少大规模交通拥堵现象[2]；交通规划部门可以有科学根据地进行道路改造与匝道设计，合理地部署红绿灯、交通监控、交通标志标牌等交通设施[3]；出行者基于准确的交通状态预测信息可进行最优出行路径和出行方案的制定。

快速发展的机器学习技术在智能交通系统中的出色表现受到了研究人员的广泛关注[4]。在交通流预测中，传统方法主要基于数理统计分析交通状况演化的周期性来处理交通流预测问题。然而，由于数据时间序列分布的随机干扰波动，限制了非线性交通流的高度可表达性，无法直接建模时间序列中交通数据的各种依赖关系。基于机器学习的交通流预测方法可以有效处理流量数据的复杂非线性问题，并且综合考虑交通流量数据的历史规律性和路网的空间相关性，具有较好的预测性能。目前，基于机器学习的交通流预测已经成为该领域的研究热点。

本文综述了机器学习在交通流预测领域的研究进展与未来发展方向。以预测空间范围为依据对目前的交通流预测方法进行分类，重点分析了单一道路断面和区域路网交通流预测的国内外研究现状，从原理、优势、局限性、应用场景和后续应用多个角度进行了阐述；从采样周期与采集方式角度归纳了国内外主流交通数据集，对自建数据集，按照异常数据处理、缺失数据处理、数据标准化顺序对数据处理的主流方法进行了概括；针对当前相关论文同质化现象进行了解释，讨论了交通数据应用领域存在的困难和挑战，展望了未来交通流预测的主流发展方向。