Spatiotemporal Forecasting of Incidents and Congestion with Implications for Sustainable Traffic Control

📄 arXiv: 2509.25515v1 📥 PDF

作者: Tony Kinchen, Ting Bai, Nishanth Venkatesh S., Andreas A. Malikopoulos

分类: eess.SY

发布日期: 2025-09-29

💡 一句话要点

提出时空预测框架，用于城市交通事件和拥堵预测，支持可持续交通控制。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 交通预测 时空预测 交通仿真 深度学习 LSTM 扩散卷积神经网络 交通事件检测 可持续交通

📋 核心要点

  1. 城市交通异常事件对交通系统的安全、效率和可持续性构成威胁，现有方法难以有效建模和预测此类事件。
  2. 论文提出一种混合预测架构，结合双向LSTM和扩散卷积循环神经网络，捕捉交通事件的时空依赖性，实现准确预测。
  3. 在SUMO仿真平台上，通过可控的交通事件生成和评估，验证了该框架在事件重现、影响量化和交通预测方面的有效性。

📝 摘要（中文）

城市交通异常，如碰撞和中断，威胁着交通系统的安全性、效率和可持续性。本文提出了一个基于仿真的框架，用于建模、检测和预测城市网络中的此类异常。使用SUMO平台，我们生成了可复现的追尾和交叉口碰撞场景，并匹配了基线，从而实现了可控的实验和比较评估。我们记录了车辆级别的行驶时间、速度和排放，用于边缘和网络级别的分析。在此数据集上，我们开发了一种混合预测架构，该架构结合了双向长短期记忆网络和扩散卷积循环神经网络，以捕获时间动态和空间依赖性。我们在纽约市百老汇走廊上的仿真研究表明，该框架能够重现一致的事件条件，量化其影响，并提供准确的多水平交通预测。我们的结果突出了将受控异常生成与深度预测模型相结合以支持可复现评估和可持续交通管理的价值。

🔬 方法详解

问题定义：论文旨在解决城市交通网络中交通事件（如碰撞和拥堵）的时空预测问题。现有方法通常难以同时捕捉交通数据中的复杂时间动态和空间依赖性，并且缺乏可复现的实验环境进行评估。

核心思路：论文的核心思路是结合交通仿真和深度学习模型，构建一个可控的实验环境，并利用混合神经网络架构来捕捉交通事件的时空特征。通过仿真生成具有明确基线的交通事件，从而实现可复现的评估。

技术框架：该框架包含三个主要阶段：1) 使用SUMO交通仿真平台生成交通事件数据，包括追尾和交叉口碰撞等场景，并记录车辆级别的行驶时间、速度和排放等信息。2) 构建混合预测模型，该模型由双向LSTM网络和扩散卷积循环神经网络组成，分别用于捕捉时间动态和空间依赖性。3) 在纽约市百老汇走廊的仿真环境中进行实验，评估模型的预测性能，并分析交通事件的影响。

关键创新：该论文的关键创新在于：1) 提出了一种基于仿真的可复现的交通事件生成和评估框架。2) 结合双向LSTM和扩散卷积循环神经网络，构建了一种混合预测模型，能够有效捕捉交通事件的时空特征。3) 通过仿真实验验证了该框架在交通事件预测和影响分析方面的有效性。

关键设计：在混合预测模型中，双向LSTM网络用于捕捉交通数据中的时间序列特征，扩散卷积循环神经网络用于捕捉交通网络中的空间依赖性。模型的损失函数采用均方误差（MSE），优化器采用Adam。具体的网络结构和参数设置根据实验数据进行调整。

📊 实验亮点

该研究在纽约市百老汇走廊的仿真实验中验证了框架的有效性。通过对比不同模型的预测性能，证明了混合预测模型能够更准确地预测交通事件和拥堵情况。实验结果表明，该框架能够重现一致的事件条件，量化其影响，并提供准确的多水平交通预测。

🎯 应用场景

该研究成果可应用于智能交通管理系统，为交通管理者提供实时的交通事件预测和拥堵预警，从而优化交通信号控制、路径诱导和应急响应，提高交通效率和安全性，并减少交通拥堵带来的环境污染。该框架还可用于评估不同交通管理策略的效果，为城市交通规划提供决策支持。

📄 摘要（原文）

Urban traffic anomalies such as collisions and disruptions threaten the safety, efficiency, and sustainability of transportation systems. We present a simulation-based framework for modeling, detecting, and predicting such anomalies in urban networks. Using the SUMO platform, we generate reproducible rear-end and intersection crash scenarios with matched baselines, enabling controlled experimentation and comparative evaluation. We record vehicle-level travel time, speed, and emissions for edge and network-level analysis. On this dataset, we develop a hybrid forecasting architecture that combines bidirectional long short-term memory networks with a diffusion convolutional recurrent neural network to capture temporal dynamics and spatial dependencies. Our simulation studies on the Broadway corridor in New York City demonstrate the framework's ability to reproduce consistent incident conditions, quantify their effects, and provide accurate multi-horizon traffic forecasts. Our results highlight the value of combining controlled anomaly generation with deep predictive models to support reproducible evaluation and sustainable traffic management.