数据驱动的高速公路自学习元胞传输模型

来源：交通运输系统工程与信息杂志2025年第5期北京时间：

作者：林培群, 黄超铄, 周楚昊, 庞崇浩, 邓锴宇

单位：1. 华南理工大学，土木与交通学院，广州510641；2.广东技术师范大学，汽车与交通工程学院，广州510450

摘要：高效的交通仿真模型能够为交通管理部门提供实时和短期的路段流量变化情况，为主动交通管理与路网优化疏导提供科学依据。然而，在复杂交通场景下，模型参数易受环境影响发生变化，导致仿真精度下降。本文提出一种数据驱动的自学习元胞传输模型(Self-Learning Cell Transmission Model, SL-CTM)。模型采用数据驱动方式，通过对元胞输入特征、内部状态与输出流量的自适应拟合，自主学习元胞传输模型中需要人工标定的参数，有效规避复杂参数标定过程，提升仿真的准确性与运行效率。基于广东省南二环高速公路和佛开高速公路实测数据的验证结果表明：与随机森林模型相比，SL-CTM在两条道路的流量仿真加权平均绝对误差百分比(Weighted Mean Absolute Percentage Error,WMAPE)分别下降17.55%和15.83%；与长短期记忆网络相比，SL-CTM在两条道路的流量仿真WMAPE分别下降12.37%和10.50%；说明SL-CTM在使用更少初始特征的同时具备更强的流量突变响应能力；与SUMO(Simulation of Urban Mobility)仿真软件相比，SL-CTM的WMAPE下降55.90%，仿真速度提升72.57%，在高流量场景中表现出更优的仿真性能。研究表明，SL-CTM能够显著提升交通仿真的精度与计算效率，为复杂交通环境下的动态交通管理提供更为可靠的技术支持。

关键词：智能交通,交通流预测,元胞传输模型,高速公路,数据驱动建模

基金资助：国家自然科学基金(52072130)；广东省自然科学基金(2025A1515010046)。