36、FDTI与PICT：交通预测与路口识别的创新方法

FDTI与PICT：交通预测与路口识别的创新方法

1. 引言

交通预测和道路路口识别在智能交通系统中至关重要。交通预测能助力高效交通政策制定，而准确的路口识别对构建精确的道路网络意义重大。本文将介绍两种创新方法：FDTI（Fine-grained Deep Traffic Inference）和PICT（一种基于深度学习的路口识别框架），探讨它们的原理、实验结果及优势。

2. FDTI：细粒度交通推理方法

2.1 背景与问题提出

传统交通预测方法多聚焦于粗粒度数据，在细粒度交通预测（如数据点间隔为1分钟）场景下表现不佳。细粒度交通流量受交通信号影响大，节点间相关性动态变化，数据非平滑，传统方法难以有效处理。

2.2 FDTI模型构建

• 细粒度交通时空图（FTSTG） ：构建基于交通信号的多层交通图，各层代表一个时间帧，边表示相邻时间帧节点间的交通流链接，受交通信号控制。
• 动态移动卷积 ：在FTSTG上提出动态移动卷积，通过动态边构建和移动传播聚合，捕捉时空依赖关系。动态边权重与节点的绿灯时间相关，代表交通流移动性。
• 流量保守交通状态转换 ：基于动态移动卷积学习的表示，预测流量特征（流入和流出数量），并按照流量守恒原理推断未来交通量。对于多步推理，引入折扣机制减少累积误差。

2.3 实验设置与结果

• 数据集 ：使用南昌、曼哈顿、杭州三