Generalising Travel Time Prediction To Varying Route Choices In Urban Networks
作者: Łukasz Gorczyca, Kacper Drozd, Michał Bujak, Rafał Kucharski
分类: cs.MA, cs.LG
发布日期: 2026-05-07
💡 一句话要点
提出通用旅行时间预测器（GenTTP），解决城市网络中因路径选择变化导致的预测泛化难题。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 交通预测 图神经网络 路径选择 时空建模 智能交通系统 泛化学习
📋 核心要点
- 现有基于GNN的预测模型仅能处理固定需求模式，无法应对因路径选择动态变化导致的交通流波动。
- GenTTP框架通过建模路径选择与时空交通模式的微观关联，实现了对不同路径分配场景的泛化预测。
- 实验表明，该方法在处理多变的路径选择场景时，显著提升了网络级流量与旅行时间的预测精度。
📝 摘要（中文）
以往基于图神经网络（GNN）的系统级旅行时间预测方法，主要局限于处理典型且重复的需求模式。尽管它们能有效预测日常通勤后的交通拥堵，但本质上仅是对单一需求实现的近似，无法捕捉多变的路径选择行为。本文提出了通用旅行时间预测器（GenTTP），该模型能够有效区分不同的路径选择，并提供准确的交通流与旅行时间预测。我们的框架旨在揭示复杂的时空交通模式，以及路径选择与最终旅行时间之间的微观关系。这填补了当前领域的一项关键空白：缺乏能够跨不同路径分配进行泛化的旅行时间预测模型，即在相同交通需求下，由于旅行者在可用路径上的分布差异，模型需具备预测不同网络结果的能力。
🔬 方法详解
问题定义：现有交通预测模型多假设需求模式固定，忽略了城市网络中旅行者路径选择的动态性。当相同需求在不同路径上重新分配时，现有模型无法准确捕捉由此产生的网络级旅行时间差异，导致泛化能力不足。
核心思路：GenTTP的核心在于将路径选择行为显式纳入预测流程。通过学习路径分配与时空交通状态之间的映射关系，模型能够解耦需求与路径选择，从而在不同分配策略下实现鲁棒的预测。
技术框架：该框架由时空特征提取模块和路径选择感知模块组成。首先利用图神经网络捕捉路网的时空依赖，随后通过特定的路径嵌入机制，将路径选择信息与交通流特征进行融合，最终输出预测结果。
关键创新：最重要的创新在于引入了路径选择的显式建模，打破了传统模型仅依赖历史流量数据的局限，实现了对“需求-路径-时间”复杂因果关系的建模。
关键设计：模型采用了多任务学习架构，同时优化流量预测与旅行时间预测任务。通过引入路径分配矩阵作为输入特征，并结合注意力机制来加权不同路径对路段拥堵的影响，从而提升了模型在动态环境下的预测准确性。
🖼️ 关键图片
📊 实验亮点
GenTTP在处理非典型交通需求场景时表现优异。实验结果显示，在面对不同路径分配策略时，该模型相比传统GNN基线模型，在旅行时间预测误差（如MAE和RMSE）上实现了显著降低，特别是在交通高峰期及突发事件导致的路径重分配场景中，其预测稳定性与准确性提升明显。
🎯 应用场景
该研究适用于智能交通系统（ITS）中的动态交通管理与路径诱导。通过更精准地预测不同路径分配下的旅行时间，城市管理者可优化信号控制策略，导航服务商可提供更具鲁棒性的路径规划建议，从而有效缓解城市交通拥堵，提升路网整体运行效率。
📄 摘要（原文）
Previous methods that predict system-wide travel time, predominantly grounded in graph neural networks, remain limited to typical and recurring demand patterns. While they successfully predict future congestion following daily commute, they inherently approximate a single demand realisation and fail to capture varying route choices. In this work, we propose a Generalised Travel Time Predictor (GenTTP) that successfully differentiates route choices and offers accurate flow and travel time predictions. Our framework learns to uncover complex spatiotemporal traffic patterns and microscopic relationships between route choices and the resulting travel times. This addresses a critical gap: the lack of travel time prediction models that generalise across varying route assignments, where the same demand can produce substantially different network-wide outcomes depending on how travellers are distributed over available paths.