一种通过关系方程实现显式机制引导建模的可扩展框架,用于城市出行起终点估计
《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:A scalable framework with explicit mechanism-guided modeling via relation equation for urban origin-destination estimation
【字体:
大
中
小
】
时间:2026年08月28日
来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4
编辑推荐:
•SEMM:一种具有机制引导建模的城市 OD 估计可扩展框架。
•区域级关系方程明确建模速度与产出之间的关系。
•ZINB 分布捕获 OD 矩阵固有的稀疏性和零膨胀特性。
•MCSM 通过模拟多种交通模式来扩充有限的训练数据。
•在两个真实世界数据集上实现毫秒级推理和最先进精
•SEMM:一种具有机制引导建模的城市 OD 估计可扩展框架。
•区域级关系方程明确建模速度与产出之间的关系。
•ZINB 分布捕获 OD 矩阵固有的稀疏性和零膨胀特性。
•MCSM 通过模拟多种交通模式来扩充有限的训练数据。
•在两个真实世界数据集上实现毫秒级推理和最先进精度。
**引言**
城市通过不同功能区的划定和修改不断演变。这一持续过程优化了土地利用和区域协调,显著增强了日常生活和出行需求的便利性。这种发展促进了个人与城市空间之间的重要互动,因为人们在城市中穿越各种功能区以满足其独特需求 Hillier 和 Hanson (1989); Montgomery (1998)。交通是这一过程的核心:通勤、购物和休闲都取决于顺畅的交通流 Zheng 等 (2021)。高效的交通促进城市发展,而拥堵则导致时间损失、能源浪费和环境危害。因此,智能交通规划至关重要,其关键基础是准确的起终点(OD)估计,这揭示了人们如何跨城市移动 Zheng 等 (2021)。
在智能交通系统中,OD 流是人口移动的基本表示,反映了城市区域之间的个体流动性 Iqbal 等 (2014); Liu 等 (2020); Wang 等 (2019)。它是交通规划和运营的决定性数据类型 Owais (2024)。然而,在实际中,由于数据收集固有的困难,整个城市的长期历史 OD 训练数据往往稀缺 Liu 等 (2024a)。因此,依赖于从历史序列预测未来序列的 OD 序列预测范式在实际场景中的应用受到限制。为支持城市交通规划和管理,已进行了大量关于使用交通模拟进行 OD 估计的工作 Ait-Ali 和 Eliasson (2022); Behara 等 (2022); Cantelmo 等 (2017); Croce 等 (2021); Jeong 和 Park (2021); Kumarage 等 (2023); Vahidi 和 Shafahi (2025); Wang 等 (2023); Yu 等 (2021)。这些工作通常将交通模型与模拟器相结合,以两个区域之间的 OD 流作为输入,通过交通模型和假设来模拟人们的路径选择过程。这种方法为 OD 估计提供了可能性。然而,真实交通系统中存在的高异质性和动态性通常使得理论模型中的简化假设难以准确反映出行行为。此外,此类模拟 - 优化过程的高计算复杂性显著限制了其在大规模复杂场景中的实用性和可扩展性(图 1)。
随着大数据技术的进步,研究人员开始采用数据驱动方法进行 OD 估计 Krishnakumari 等 (2020); Pamu?a 和 Renata (2023)。这些研究主要利用交通流(也称为交通计数)作为微观交通特征,直接学习 OD 流与微观交通观测之间的映射关系。然而,这些数据驱动的研究存在显著局限性。一方面,这些模型对交通运行模式提供的建模不足,交通状态的表达能力有限。另一方面,交通系统固有的高复杂性可能导致仅基于微观交通特征的 OD 估计精度降低,尤其是在难以获取全城、长跨度的 OD 数据时,难以有效保证模型的泛化能力。
总之,大量研究尝试通过数据驱动或基于优化的方法来推断 OD 流。尽管如此,在现实世界条件下(其特征为训练数据有限、交通系统高度动态和出行行为复杂)充分建模交通模式并实现精确的 OD 估计,仍然是大规模城市级场景的核心挑战。当前方法在交通运行模式建模、交通状态表达和泛化能力方面仍面临重大瓶颈。最近在通用人工智能领域提出的认知 - 潜力 - 价值(C, U, V)统一数学框架 He 等 (2025) 将 AGI 智能体定义为 (C, U, V) 联合空间中的一个点,其中智能体的所有学习、进化和交互经验都可以表示为该空间中的连续轨迹。具体来说,C 代表智能体的认知架构,定义了系统的信息处理和推理能力;U 表示智能体的潜力技能集,以参数化函数的形式存在;V 是智能体的价值函数空间。将此理论扩展到 OD 估计领域,交通系统可以被视为一个智能复杂系统。其技能集 U 指的是交通网络在长期运行过程中形成的运行模式。聚焦于 OD 估计的核心交通要素,我们认为交通运行模式(即技能集 U)可以通过产出与平均速度之间的固有关系来反映。宏观基本图(MFD)理论 Daganzo 和 Geroliminis (2008); Geroliminis 和 Daganzo (2008) 揭示了区域内车辆累积与交通产出之间的非线性关系,通常以三次多项式拟合为特征,反映了路网的宏观运行模式。该理论为本研究提出的区域级产出与平均速度之间的结构关系提供了理论基础。
因此,我们提出了一种具有显式机制引导建模的可扩展框架(SEMM)。该框架基于交通系统长期运行期间收集的有限 OD 和平均速度样本,从宏观角度提取运行模式的多维表示。这些表示包括使用高斯分布建模的时域差异、频域差异和随机扰动项。在这些宏观表示的基础上,SEMM 通过区域级关系方程(RE)明确建模产出与平均速度之间的经验关系,从而实现微观交通观测与宏观运行模式的深度集成。此外,引入零膨胀负二项(ZINB)分布 Zhuang 等 (2022) 进行联合优化。该框架增强了交通状态表示和 OD 流稀疏分布建模的能力,从而显著提高了 OD 估计的泛化能力和精度。此外,我们的方法可以与任何优化框架无缝集成,充分利用其在准确性和效率方面的优势,并有效克服传统优化方法的局限性。我们的贡献总结如下:
•我们提出了一种区域级关系方程,通过集成时域差异、频域差异和随机扰动项,明确建模产出与平均速度之间的经验关系。该方程利用了微观交通观测的局部信息和交通网络的宏观运行模式,从而增强了交通状态的表示能力。
•我们引入了稀疏性表征(SC)模块,通过 ZINB 更准确地推断 OD 流的真实分布。此外,我们构建了多交通模式蒙特卡洛模拟方法(MCSM)来扩充 OD 和交通观测样本,缓解了数据驱动方法中训练样本不足的问题。
•据我们所知,我们在 OD 估计领域首次与基于优化的和数据驱动的最先进方法进行了系统且公平的对比。两个真实世界数据集上的实验结果表明,所提出的方法实现了领先性能,并表现出低推理开销和高可扩展性。
**章节片段**
**相关工作**
OD 估计问题是交通流数据分析的开创性应用 Gaudry 和 Lamarre (1979)。早期的 OD 估计主要依赖大规模调查数据,如家庭出行调查、路边访谈和车牌匹配。这些基于调查的方法通常成本高昂、耗时且劳动密集。因此,它们往往不切实际,特别是在出行需求模式变化迅速或资源有限的地区,使其不适用。
**预备知识**
OD 流指的是城市中每两个区域之间在人口层面的移动 Luca 等 (2021); Simini 等 (2021)。形式上,城市空间被划分为不重叠的区域 $R=\{r_i|i=1,\cdots,N\}$。OD 流包含由起点和终点构成的定向移动信息以及相应的流量,数学表达为 $\{f_{ij}|r_i \text{ and } r_j \in R\}$,其中 $f_{ij}$ 表示从起点区域 $r_i$ 到终点区域 $r_j$ 的流量,i 和 j 是
**方法概述**
如图 2 所示,SEMM 框架由三个核心组件组成:(1) 区域级关系方程(RE),明确建模区域产出(即出发量)与平均速度之间的关系;(2) 稀疏性表征(SC)模块,用于准确拟合 OD 数据的真实稀疏分布;以及 (3) 多交通模式蒙特卡洛模拟方法(MCSM),用于训练样本扩充(如图 4 所示)。这些组件按顺序
**数据集**
如图 5 所示,采用两个真实世界数据集,即武汉东湖新技术开发区(东湖)和曼哈顿,以验证所提出方法在现实场景中的性能。两个数据集的详细信息汇总于表 2。东湖数据集的 OD 信息源自约 2450 万条涉及各种车辆类型的原始出行记录。随后,九峰街道内的平均道路速度数据是
**讨论**
在将 SEMM 框架与基于优化的和数据驱动的方法进行综合对比后,可以得出关于城市 OD 估计任务的一系列关键结论。所有对比方法在 OD 估计任务中都存在局限性。基于优化的方法,由于依赖交通理论假设,难以适应真实城市交通系统中高度异质的出行行为。它们的性能上限受限于
**结论与未来工作**
为了解决训练数据稀缺和高动态性等城市 OD 估计挑战,本文提出了一种具有显式机制引导建模的可扩展框架(SEMM),旨在实现城市交通状态的高效表达和 OD 流的精确推断。SEMM 通过纳入宏观层面的、系统规模上的运行模式多维表示来补充 OD 估计。它明确建模了平均速度与产出之间的关系
**稿件准备过程中生成式人工智能和人工智能辅助技术的声明**
在准备本工作期间,作者使用 ChatGPT 以提高稿件的语言可读性。使用此工具后,作者根据需要审阅和编辑了内容,并对发表文章的内容承担全部责任。
**CRediT 作者贡献声明**
毕晓军 (Xiaojun Bi):写作 – 审阅与编辑,写作 – 初稿,监督,方法论。
陶永旭 (Yongxu Tao):写作 – 审阅与编辑,写作 – 初稿,可视化,软件,方法论。
孙奕文 (Yiwen Sun):写作 – 审阅与编辑,写作 – 初稿,监督,方法论。
陈硕 (Shuo Chen):写作 – 审阅与编辑。
张宇辰 (Yuchen Zhang):写作 – 审阅与编辑。
王慎豪 (Shenhao Wang):写作 – 审阅与编辑。
郑云涵 (Yunhan Zheng):写作 – 审阅与编辑。
毕晓军 | 陶永旭 | 孙奕文 | 陈硕 | 张宇辰 | 王慎豪 | 郑云涵
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号