[Paper] 长时程交通预测：基于事件感知的共形时空Transformer

Source: arXiv - 2603.16857v1

概览

本文解决了智能交通系统中最棘手的问题之一：在考虑事故（碰撞、施工区、天气等）不可预测影响的情况下，预测未来数分钟乃至数小时的交通状况。通过将 时空 Transformer 与 自适应保守预测 相结合，作者提供了多时段旅行时间预测，并附带统计上可靠的不确定性界限，这一能力可直接用于路径规划、车队管理和自动驾驶车辆的规划工具。

关键贡献

• Incident‑aware dynamic graph construction – 构建每小时邻接矩阵，使用分段变异系数（CV）模型和事故记录中的严重性信号，实时反映道路连通性的变化。
• Spatio‑Temporal Transformer (STT) backbone – 在空间（道路网络）和时间（每日小时模式）上利用自注意力，捕获传统图卷积网络难以捕获的长程依赖。
• Adaptive Conformal Prediction (ACP) for calibrated uncertainty – 生成预测区间，即使交通动态变化也能保持期望的覆盖概率。
• Comprehensive validation pipeline – 将真实 ODOT 交通与事故数据、高保真 SUMO 仿真以及针对受测车辆（Vehicle‑Under‑Test, VUT）的蒙特卡罗行程时间抽样相结合。
• Empirical gains – 在长时段预测精度和区间校准方面，相较于强基线（如静态图 GNN、经典 ARIMA 和普通 Transformer）展示出统计显著的提升。

方法论

1. Data ingestion – 来自俄亥俄州交通部的每小时交通计数与包含事故严重性属性（清除时间、天气、超速违规、施工区标记、功能等级）的事故日志配对。
2. Dynamic adjacency via piecewise CV
   • 每小时的行程时间变异性被建模为对数正态分布。
   • 由此得到的 hour‑specific CV 用来驱动道路网络图中边的权重，使得图在高峰拥堵时“拉伸”，在畅通时“收缩”。
3. Incident perturbation
   • 边权重进一步依据从事故数据集中得到的严重性得分进行调整（例如，清除时间越长 → 权重降低幅度越大）。
   • 这产生了一个 time‑varying, incident‑aware graph，取代了常见的静态、均质网络假设。
4. Spatio‑Temporal Transformer
   • 将节点特征（交通计数、历史行程时间）输入多头自注意力模块，同时关注空间邻居（通过动态图）和时间步长（前几小时）。
   • 位置编码捕捉日周期信息，随后通过前馈网络细化表示。
5. Adaptive Conformal Prediction
   • 在 STT 输出点预测后，ACP 在滚动验证窗口上计算非符合度分数，并对其重新缩放，以生成能够适应分布漂移的预测区间。
6. Evaluation
   • 在 SUMO 中对哥伦布网络进行多小时行程仿真；Monte‑Carlo 引擎采样数千条 VUT 轨迹以获得真实的行程时间分布。
   • 评估指标：点预测的平均绝对误差（MAE）、均方根误差（RMSE）；不确定性估计的覆盖概率（CP）和区间宽度（IW）。

结果与发现

• 准确性：事件感知的 STT 始终优于基线，尤其在 2 小时以后传统模型的性能会急剧下降。
• 校准：ACP 在所有预测时段上都保持名义的 95 % 覆盖率，而朴素的分位回归要么覆盖不足（过于自信），要么覆盖过度（浪费）。
• 可解释性：对动态图邻接矩阵的可视化揭示了直观的模式——例如，在报告的事故发生时高速公路的边权会显著下降，随后随着清障时间的推移逐步恢复。

Practical Implications

• Dynamic routing & navigation – 车队管理平台可以摄取模型的多小时预测和置信区间，以选择能够最小化预期延迟并对最坏情况事故情景进行对冲的路线。
• Autonomous vehicle planning – 自动驾驶车辆的运动规划器可以使用校准后的行程时间区间为即将进行的机动分配安全缓冲，从而在不显得过于保守的情况下提升安全性。
• Traffic‑control centers – 操作员可以根据模型预测的网络连锁影响来优先处理事故响应（例如，派遣维修队伍、调整信号时序）。
• Smart city simulations – 动态图构建可以嵌入城市尺度的数字孪生中，从而实现对基础设施升级或政策变更的更真实情景测试。
• API‑first services – 该方法适用于微服务架构：预处理服务构建每小时的邻接矩阵，模型服务提供 STT 预测，后处理服务封装 ACP 区间——从而可以轻松地以 RESTful 接口向第三方应用公开。

限制与未来工作

• 数据粒度 – 本研究依赖于每小时的聚合数据；更细粒度（例如 5 分钟）的数据可以捕捉快速的事故动态，但会增加计算负荷。
• 地域可迁移性 – 该模型在俄亥俄州的网络上进行训练；若要迁移到道路层级或事故报告标准不同的地区，可能需要重新训练或进行领域适配。
• 事故严重程度建模 – 目前的严重程度分数是事故属性的线性组合；更复杂的概率模型（例如贝叶斯网络）可以更好地捕捉事故影响的不确定性。
• 可扩展性 – 虽然 Transformer 的计算复杂度随节点数量呈二次增长，稀疏注意力机制或层次化图池化可以实现对拥有数万条链接的全市部署。
• 实时更新 – 将实时交通传感器数据和流式事故警报纳入在线学习循环仍是一个未解决的挑战。

结论：通过将基于 Transformer 的时空核心与自适应、事故感知的图结构相结合，并加入统计严格的不确定性量化，本工作将交通预测从“可能会发生”推进到“有信心会发生”，这一步跃迁有望解锁更智能的路径规划、更安全的自动驾驶以及更灵活的交通管理系统。

作者

• Mayur Patil
• Qadeer Ahmed
• Shawn Midlam-Mohler
• Stephanie Marik
• Allen Sheldon
• Rajeev Chhajer
• Nithin Santhanam

论文信息

• arXiv ID: 2603.16857v1
• 分类: cs.LG
• 出版日期: 2026年3月17日
• PDF: 下载 PDF