文献信息

• 题目： A Novel Hybrid Model for Short-Term Traffic Flow Prediction Based on Spatio-Temporal Deep Learning With Considering Associated Factors Selection
• 中文译名： 考虑关联因素筛选的基于时空深度学习的短时交通流预测新型混合模型
• 作者： Yingping Tang、Qiang Shang、Longjiao Yin
• 期刊：IEEE Access

• 在线发表日期： 2024 年 9 月 9 日
• DOI：10.1109/ACCESS.2024.3456295
• 关键词：卷积神经网络；时空现象；短期交通流量预测；双向门控循环单元；时空相关性；相关因素

摘要： 本文研究融合空间相关信息、历史交通流和关联因素的短时交通流预测问题。针对不同道路位置具有不同流量模式和影响因素、固定输入变量难以适应空间差异的问题，作者提出 PPMCC-RF-CNN-BiGRU 混合模型。首先，使用皮尔逊积矩相关系数（PPMCC）筛选与目标检测器交通流高度相关的周边检测器；其次，使用随机森林（RF）对交通状态与气象因素进行重要性排序，选择对目标位置有预测价值的因素；然后，将筛选结果与目标位置历史交通流组合为特征矩阵，利用卷积神经网络（CNN）提取局部关联特征，再通过双向门控循环单元（BiGRU）学习历史序列的时间依赖。基于美国 PeMS 三个检测器及加拿大 Whitemud Drive 公路数据的实验显示，该模型在所报告测试条件下优于七种基准模型。加拿大检测器 D 的 RMSE 和 MAE 分别为 9.031 和 6.0112，较 CNN-LSTM 分别降低约 39.65% 和 37.22%。

一、研究问题

1. 为什么只看目标位置的历史交通流不够？

交通流存在日内变化、短时波动和历史依赖，但其变化还受到周边道路交通状态与外部环境的影响。单独使用目标检测器的历史流量，可能遗漏邻近位置传来的交通变化及天气等扰动。

空间信息也不能简单等同于“距离最近”。地理位置相近的检测器未必具有最强的流量关联；相关性较强的位置可能受道路连接、交通组织和出行模式共同影响。

2. 为什么不能对所有位置使用相同的影响因素？

不同道路的交通条件具有差异。例如，某位置的流量可能与货车比例、温度、湿度关系较明显，另一位置则可能更依赖平均速度、占有率和风场信息。

如果对所有检测器输入完全相同的变量，既可能遗漏有效信息，也可能引入无关或冗余信息，增加学习难度。因此，作者强调根据目标位置的特点筛选输入。

3. 本文回答的核心问题

如何先识别与目标位置相关的空间交通流和关联因素，再利用时空深度学习建立更准确的短时交通流预测模型？

研究可拆为三个子问题：

1. 从周边检测器中选择哪些历史交通流作为空间输入？
2. 从交通状态和气象变量中选择哪些因素？
3. 如何利用筛选后的多变量序列学习空间关联和时间依赖？

需要区分，论文用“前四天训练、第五天测试”描述实验划分，并不意味着模型在第四天末一次性预测第五天所有时间点；具体滚动输入及多步预测机制仍需进一步明确。

二、创新点

1. 将空间变量筛选与时空预测结合

作者先在目标检测器附近建立候选集合，再通过 PPMCC 计算相关性，筛选高度相关的检测器。

其特点是依据历史数据选择空间信息，而不是将全部邻近检测器直接输入。主实验对每个目标位置考察附近约 30 个候选检测器，并最终选取 3 个相关检测器。

2. 通过随机森林实现位置差异化的关联因素筛选

候选变量包括：

• 交通状态变量： 平均速度、占有率、货车比例。
• 气象变量： 温度、湿度、降雨量、风速、经向风、纬向风。

RF 用于分析变量对预测误差的影响，并筛选较重要的因素。它在此处主要承担特征筛选作用，最终预测由 CNN-BiGRU 完成。

3. 将空间流量、关联因素与历史序列组织为统一输入

将目标检测器历史流量、相关检测器历史流量及选定因素按时间对齐，构建多变量特征矩阵。

模型因而能够学习不同变量之间的组合关系。该特征矩阵不是显式有向路网图，PPMCC 所表达的统计相关性也不等同于上下游因果传播关系。

4. CNN 与 BiGRU 形成组合预测框架

CNN 提取输入矩阵中的局部特征及变量之间的关联；BiGRU 分别沿输入序列正向和反向编码，再拼接两方向信息用于预测。

双向编码应作用于预测时已经可见的历史窗口。 它并不意味着实时预测可以使用预测时刻之后的真实交通数据。

5. 通过基准、消融及替代筛选实验检验模型

文章比较七种基准模型，设置移除或替换关键模块的消融实验，并将 RF 与 MRMR、F 检验筛选方法比较，另在加拿大公路数据上重新训练和测试。

这些实验从不同角度支持组合框架的有效性，但仍限于短时间窗口和少量目标检测器。

三、数学模型

3.1 数学符号

3.2 PPMCC 空间相关变量筛选

对目标位置  与候选检测器  的历史流量计算：

理论上， 越接近 1，线性相关性越强。本文实验实际选择的是相关系数接近正 1 的检测器，并选取 3 个作为空间输入。

这一方法较易实现，但主要衡量同期线性相关性，不能充分描述时间滞后、非线性关系及流量传播方向。

3.3 RF 关联因素重要性

随机森林采用 Bootstrap 抽样训练多棵树，利用未被某棵树抽中的袋外样本评价误差。对某个变量加入扰动后，观察预测误差变化，以判断其重要程度。

按“扰动后误差增加越多，因素越重要”的解释，常见表达为：

原文公式说明： 论文公式（2）写成了“扰动前误差减扰动后误差”，与其文字中的误差增加解释方向相反。上式采用便于理解的常用正向定义；复现时应核对具体代码及重要性分数是否进行了标准化。

作者根据相对重要性得分筛选变量，主实验文字采用大于 1 的得分作为较重要因素的判断依据。该阈值对应其具体评分口径，不宜作为所有 RF 实现的通用规则。

3.4 多变量时空特征矩阵

定义每个历史时刻的特征向量：

将连续  个历史时刻堆叠：

横向为不同检测器与关联因素，纵向为历史时间序列。若目标位置历史流量占 1 列、相关检测器占 3 列，且选择  个因素，则每个时间点有  个输入特征。

以上为统一表示。论文对时间窗口与采样间隔的符号解释不够清晰，不能仅根据“5 分钟”推断历史输入长度 。

3.5 CNN 关联特征提取

卷积层可写为：

其中：

作者不使用池化层，以保留更多输入特征。CNN 处理的是构造后的输入矩阵；其空间解释仍依赖变量排列和网络实现，而不是直接沿真实道路拓扑进行图卷积。

3.6 BiGRU 时间依赖建模

单方向 GRU 通过重置门和更新门调节历史信息：

BiGRU 在输入窗口内形成正向和反向隐藏表示：

两方向输出拼接后，经全连接层映射得到预测值。整体关系可概括为：

其中  是为说明未来预测而引入的统一符号，原文没有充分说明多预测步长设置。

3.7 评价指标

采用规范定义：

逐点绝对误差为：

RMSE、MAE、MAPE 越小越好； 通常越接近 1 越好。MAPE 在实际流量很小时容易变大，真实值为零时还需另行处理。

原文 MAE 和 AE 印刷公式缺少绝对值，其所谓“绝对误差”箱线图也出现负值，实际上更接近带符号误差。因此，公式与图示应区分理解。

四、算法

1. 建立目标位置与候选检测器集合

分别选择交通环境不同的目标检测器 A、B、C，收集其附近检测器数据，剔除不能正常工作的检测器，对候选集合重新编号。

2. 使用训练期流量进行空间筛选

计算目标与候选检测器的 PPMCC，从中选择 3 个相关性较强的检测器。A、B、C 的筛选结果不同，体现位置差异。

3. 对关联因素进行 RF 排序

对 9 个候选交通状态及气象变量计算重要性，筛选较重要因素。将它们与目标流量、相关检测器流量按时间对齐。

4. 构建输入矩阵并训练 CNN-BiGRU

原文图 15 给出的主要结构如下。

论文未完整交代所有超参数、缺失值处理、归一化方式、历史窗口长度及具体滚动预测方式，复现时需要补充并明确。

5. 基准模型比较

七种基准方法为 SVM、BP、RBF、GRU、BiGRU、CNN-SVR、CNN-LSTM。作者使用相同数据进行训练和测试，比较 RMSE、MAE、MAPE、，并通过误差图观察稳定性。

6. 消融与替代筛选实验

另将 RF 与 MRMR、F 检验进行比较。原文多处把 F 检验写为“F-text”，此处按其方法比较语境整理。

五、实验发现

1. 数据来源与划分

主实验目标位置为：

主实验完整的一天包含 288 个 5 分钟时段，但论文没有明确报告滑动窗口转换后实际训练样本数量，不应将原始时间点数直接当成最终样本数。

2. 不同目标位置选择不同空间输入与因素

依据原文第 IV-C、IV-D 节及图 12–14：

周边编号属于各区域重新编号后的候选集合，不能直接当作 PeMS 的原始检测器 ID。

图 12 中 A 的占有率得分最高；图 13 中 B 的货车比例得分最高；图 14 中 C 的平均速度得分最高。结果支持针对目标位置筛选变量，但这些是预测重要性，不是因果效应。

原文一致性问题： 表 7 的 B 对应 RF 特征列表与上述正文、图 13 不一致；表 8 的 C 对应列表也与正文、图 14 不一致。本导读使用正文及对应重要性图说明主实验特征，复现时仍需核实源代码。

3. 模型在四个目标检测器上均取得较低误差

依据表 3–5、表 9，完整模型结果为：

MAE、RMSE 对应原数据流量尺度，不能跨数据集直接解释为相同难度。A 的绝对误差较小但 MAPE 高于 B，说明不同流量规模下绝对指标和相对指标的评价可能不同。

4. 与 CNN-LSTM 相比具有明显改善

依据表格数值重新计算：

原文摘要强调的约 39% 和 37% 降幅，对应加拿大 D 的比较结果，不能当作所有检测器的统一降幅。

关于 A，原文正文与结论给出不同降幅，如正文约 65%、65%，结论约 71%、70%，均与表 3 不能完全一致。因此，上表采用可由原始表格直接复算的数值。

5. 消融结果支持组合设计，但解释需对应模块

图 22 报告完整模型在 A、B、C 上的 RMSE 和 MAE 均低于所列消融变体，支持空间筛选、因素筛选和 CNN-BiGRU 的组合价值。

解释时应注意：

• 完整模型与 RF-CNN-BiGRU 比较，检验的是  PPMCC 空间筛选。
• 完整模型与 PPMCC-CNN-BiGRU 比较，检验的是 RF 因素筛选。

原文相关文字对这两种比较的归因存在对调。图示结果可以支持相应消融设置下的增益，但不足以证明每个模块对任何数据集都不可替代。

6. RF 筛选有优势，但并非所有指标都最好

以 A 为例，表 6 显示：

A 上 MRMR 与 RF 选择相同因素，结果几乎一致，且 MRMR 的 MAPE 略低。因此，应表述为 RF 在该组 RMSE、MAE 上略优，而非所有指标绝对最优。

B、C 的表格也报告 RF 对应误差较低，但由于其特征列表与正文存在不一致，解释因素优劣时需保留这一限制。

7. 加拿大实验支持方法可在另一数据集应用

D 的结果表明，在另一个国家的公路数据上重新训练后，该框架仍能获得优于所列基准的结果。

这提供了不同环境下的适用性证据，但不是将 PeMS 上已经训练好的模型直接迁移、无需再训练就能有效预测的验证。

8. 研究局限与复现注意点

1. 时间覆盖较短。 两组实验均为 5 天、以前 4 天训练和第 5 天测试，不能充分证明跨季节、节假日或长期分布变化下的稳定性。
2. 目标检测器有限。 主实验 3 个目标、补充实验 1 个目标，尚不能视为大规模全路网预测验证。
3. 预测协议不完整。 采样间隔、历史输入长度、预测提前量是不同概念，原文说明不足，复现时必须分别明确。
4. 在线信息边界需核实。 空间筛选、RF 训练和数据变换应仅使用训练期数据；预测输入必须截止到预测时刻。BiGRU 可反向读取历史窗口，但不能读取未来真实值。
5. 拓扑表达有限。 同期相关性筛选没有显式表示有向路网、通行距离或上下游传播时滞。作者也将图结构建模列为未来方向。
6. 统计与效率证据有限。 未充分报告重复运行方差、显著性检验及完整效率比较，因此不宜仅依据极高  宣称普遍可靠或计算更快。
7. 文本和公式存在差异。 包括重要性公式符号、MAE／AE 定义、部分特征列表、消融归因及误差降幅，使用时应以明确可核验的数据为依据。

六、管理启示

1. 预测前的变量选择同样重要

文章的借鉴价值不仅在于 CNN-BiGRU，更在于先筛选相关空间信息和有效因素。对多源交通数据，应验证哪些变量能提供增量预测价值，再决定模型输入。

2. 不同道路位置适合不同输入组合

目标位置不同，重要变量和相关检测器可能不同。可以按断面或道路类型开展分析，并通过训练期验证选择输入组合。本文支持位置差异化筛选，但没有证明其已实现持续在线更新的动态筛选系统。

3. 空间相关性应与真实路网关系结合

PPMCC 可作为初步筛选工具。实际高速路网中，还应考虑行驶方向、互通连接、出入口、旅行时间和上下游距离，区分共同周期导致的相关性与真正的传播联系。

4. 流量预测不等同于拥堵风险预测

高流量可能意味着道路接近容量，但严重拥堵也可能伴随低速度和较低通过流量。因此，不能仅凭流量数值或阈值直接推断拥堵风险，应结合速度、占有率、容量或拥堵标签。

5. 对湖州高速研究第一阶段的借鉴

以下为结合你的课题提出的延伸，不是本文已经完成的内容。

对“拥堵时空差异分析与未来风险预测”，可以保留其“空间筛选—因素筛选—时空建模”思路，将输出改为各断面、各时段拥堵发生概率。评价也应改用适合风险概率的指标，如 PR-AUC、Brier 分数与校准情况，并结合管理需求选择预警阈值。

这些为本导读的研究建议，论文没有实施概率输出或相关指标验证。

6. 对第二阶段的适用边界

对“拥堵演化与干预”，该文可提供时空特征建模参考，但没有预测拥堵扩散范围、开始消散时间或完全解除时间，也没有评估限速、入口管控、分流诱导等措施的效果。

若用于第二阶段，需要补充事件过程数据、当前状态及变化趋势、干预记录，并分别建立动态演化预测与措施情境评价模型。