Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days
Univ. Lyon（里昂大学）；ENTPE（法国国立公共工程学院）；IFSTTAR（法国交通发展与网络科学技术研究院）；IRT System-X（System-X 技术研究院）；SPIE CityNetworks（SPIE CityNetworks 公司）
本文介绍了一种新的实用方法，用于实时估计高速公路上的交通状况和行程时间。首先，在主成分分析之后，对历史数据集的观测日进行聚类。两种不同的方法进行了比较：高斯混合模型和k-means算法。聚类结果表明，同一组的拥堵图在交通状况和动态上具有很大的相似性。这种地图是高速公路上拥堵传播的二进制可视化，更加重视交通动态。其次，根据拥堵地图，在每个聚类中确定一个共识日作为社区最具代表性的一天。第三，从历史数据中获得的这些信息用于预测交通拥堵传播和旅行时间。因此，新的一天的第一次测量被用来确定哪个合意的一天最接近这个新的一天。然后，使用在该合意日记录的过去观测来预测未来的交通状况和旅行时间。这种方法是测试使用10个月的数据收集在法国的高速公路上，并显示出非常令人鼓舞的结果。
2020-11-12 cs.LG physics.soc-ph
Time delay estimation of traffic congestion propagation due to accidents based on statistical causality
Ulsan National Institute of Science and Technology（蔚山科学技术院）
时间延迟的准确估计在交通拥堵分析中至关重要，因为这些信息可以用来解决有关交通拥堵的起源和传播的基本问题。然而，由于道路之间复杂的传播过程和未来行为的高度不确定性，在拥堵期间精确测量时间延迟仍然是一个挑战。为了克服这一挑战，我们提出了一种新的时间延迟估计方法，由于事故的传播，使用滞后特定的传输熵（TE）。该方法采用马尔可夫自举技术量化的时间延迟估计的不确定性。据我们所知，我们提出的方法是第一个估计相邻道路之间的因果关系的基础上的时间延迟。我们验证了该方法的有效性，使用模拟数据，以及从韩国的一个主要的GPS导航系统获得的真实用户轨迹数据。
2022-11-24 cs.LG cs.SY eess.SY
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios
University of Pennsylvania（宾夕法尼亚大学）；Argonne National Laboratory（阿贡国家实验室）
针对时空图神经网络在拥堵预测上的不足，本文比较多种损失函数，发现MAE-Focal和Gumbel损失分别优化MAE和MSE时最有效，能在不牺牲常规预测精度下提升拥堵预测能力。
2023-08-29 cs.AI cs.LG
Large-Scale Traffic Congestion Prediction based on Multimodal Fusion and Representation Mapping
The University of Hong Kong（香港大学）
本文提出一种结合多模态融合与表示映射的卷积神经网络端到端框架，利用全局参考信息预测大规模地图任意位置的交通拥堵，并在真实大规模数据集上实现准确高效推理。
2023-08-16 cs.LG
PPTNet: A Hybrid Periodic Pattern-Transformer Architecture for Traffic Flow Prediction and Congestion Identification
National Key Laboratory of Automotive Chassis Integration and Bionics, Jilin University（汽车底盘集成与仿生国家级重点实验室，吉林大学）；School of Mechanical Engineering, Shandong University（机械工程学院，山东大学）；School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞-瓦特大学）
本研究构建了中国拥堵高速公路交通流数据集TF4CHE，提出融合周期模式提取与Transformer的PPTNet实现交通流精准预测，搭配Mamdani模糊推理模块实时识别拥堵，性能优于主流方法。
2025-06-13 cs.LG
Intelligent Transportation Systems to Mitigate Road Traffic Congestion
Lebanese University（黎巴嫩大学）
智能交通系统在解决世界各地的交通拥堵问题方面已经证明了自己的效率和有效性。基于多智能体的交通系统是智能交通系统的重要组成部分，它是相邻车辆、驾驶员、道路、基础设施和车辆之间的交互。在本文中，已经创建了两个交通管理模型，以减轻拥堵，并确保紧急车辆尽快到达。使用SUMO-JADE工具链创建了一个象征交通相互作用的微观模拟。模拟模型显示，平均时间延迟至少减少了50%，因此整个行程时间得到了真正的改善。
2021-06-04 cs.LG cs.SY eess.SY
Predicting Traffic Congestion at Urban Intersections Using Data-Driven Modeling
针对城市交叉口交通拥堵问题，本研究利用含4800个交叉口的商用车行程记录数据集，结合27个基础特征与额外环境、地理特征，通过数据驱动建模开发预测模型，助力城市规划者预测交通热点与优化运营。
2024-11-27 cs.LG
AVARS -- Alleviating Unexpected Urban Road Traffic Congestion using UAVs
University College Dublin（都柏林大学）；Manchester Metropolitan University（曼彻斯特城市大学）；University of Huddersfield（哈德斯菲尔德大学）
本文提出AVARS系统，利用配备摄像头的无人机结合深度强化学习进行交通灯信号控制，以低成本部署方式有效缓解突发城市道路交通拥堵。
2023-09-10 cs.AI cs.LG cs.SY
Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction
National University of Defense Technology（国防科技大学）；The Hong Kong Polytechnic University（香港理工大学）；Tsinghua University（清华大学）
针对现有方法难以预测连续时间轴上稀疏分布的交通拥堵事件，本文提出STGNPP时空图神经点过程框架，通过时空图学习与连续门控循环单元建模拥堵演化，并引入周期性门控改进强度函数，同时预测拥堵发生时间与持续时间，在真实数据集上优于现有方法。
2023-11-15 cs.AI cs.LG cs.SI
Parameter Efficient Hybrid Transformer (PEHT) for Network Traffic Prediction via Dynamic Urban Congestion Integration
National Science Foundation（国家科学基金会）；U.S. Department of Transportation（美国交通部）；University Transportation Center (UTC)（大学交通中心）；Transportation Cybersecurity Center for Advanced Research and Education (CYBER-CARE)（交通网络安全高级研究与教育中心）；NVIDIA Academic Grant Program（NVIDIA学术资助计划）
提出参数高效混合Transformer（PEHT），通过低秩适应和多模态融合整合城市移动性与拥堵信息，在减少参数的同时提升网络流量预测精度。
2026-06-29 cs.AI cs.LG
Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；Didichuxing Co. Ltd（滴滴出行有限公司）
针对交通拥堵预测中异构动态时空依赖难捕捉、数据含噪缺失的问题，本文提出带拥堵感知偏置的级联混合专家模型CP-MoE，结合有序回归实现多专家协作，性能优于现有模型且已部署于DiDi提升行程时间估计效果。
2024-06-14 cs.LG cs.MA
DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps
Baidu Inc.（百度公司）
预计到达时间（ETA）预测，也称为行程时间估计，是导航、路线规划和叫车服务等广泛智能交通应用的基本任务。为了准确地预测路径的行程时间，必须考虑上下文和预测因素，例如时空交互、驾驶行为和交通拥堵传播推断。百度地图之前部署的预计到达时间预测模型已经解决了时空交互（ConSTGAT）和驾驶行为（SSML）的因素。在这项工作中，我们专注于建模交通拥堵传播模式，以提高ETA性能。交通拥堵传播模式建模具有挑战性，它需要考虑影响区域随时间的推移和道路网络上的交通事件引起的延迟变化随时间的累积效应。在本文中，我们提出了一个实用的工业级ETA预测框架DuETA。具体来说，我们构建了一个基于交通模式的相关性的交通敏感图，我们开发了一个路由感知图Transformer直接学习路段的长距离相关性。这种设计使DuETA能够捕获空间上相距较远但与交通状况高度相关的路段对之间的相互作用。在百度地图收集的大规模真实数据集上进行了大量的实验。实验结果表明，ETA预测可以显着受益于学习的交通拥堵传播模式。此外，DuETA已经部署在百度地图的生产环境中，每天服务数十亿次请求。这表明DuETA是大规模ETA预测服务的工业级强大解决方案。
2022-08-15 cs.AI cs.LG cs.SI
Automatic Detection of Major Freeway Congestion Events Using Wireless Traffic Sensor Data: A Machine Learning Approach
University of Maryland（马里兰大学）
监测主要走廊的交通动态可以为交通规划提供宝贵的见解。这种监控的一个重要要求是自动检测主要交通事件和注释大量出行数据的方法的可用性。本文介绍了一种基于机器学习的方法，用于从数百小时的交通速度数据中可靠地检测和表征高速公路交通拥堵事件。事实上，所提出的方法是一种通用的方法，用于检测在任何给定的时间序列，这是在本研究中的无线交通传感器数据的变化。速度数据最初由十小时长的滑动窗口进行时间窗口化，并被馈送到三个神经网络中，这些神经网络用于检测每个窗口中拥塞事件（减速）的存在和持续时间。滑动窗口多次捕获每个减速事件，并提高拥塞检测的置信度。训练和参数调整是在17，483小时的数据上执行的，其中包括168个减速事件。这些数据是作为马里兰大学先进运输技术中心（CATT）正在进行的探测数据验证研究的一部分收集和标记的。仔细训练神经网络以减少过度拟合到训练数据的机会。实验结果表明，该方法能够成功地检测大多数拥塞事件，同时显着优于启发式规则为基础的方法。此外，所提出的方法被证明是更准确的估计的开始时间和结束时间的拥塞事件。
2020-07-09 cs.CV cs.LG eess.SP
Stop-and-Go: Exploring Backdoor Attacks on Deep Reinforcement Learning-based Traffic Congestion Control Systems
New York University Tandon School of Engineering（纽约大学坦登工程学院）；New York University Abu Dhabi（纽约大学阿布扎比分校）
最近的研究表明，在交通中引入自动驾驶汽车（AV）可以帮助减少交通堵塞。深度强化学习方法在复杂的控制问题中表现出良好的性能，包括自主车辆控制，并已用于最先进的AV控制器。然而，深度神经网络（DNN）使自动驾驶容易受到基于机器学习的攻击。在这项工作中，我们探讨了后门/木马的DRL为基础的AV控制器。我们开发了一个触发器的设计方法，是基于完善的交通物理学原理。恶意行为包括车辆减速和加速以导致出现走走停停的交通波（拥堵攻击）或AV加速导致AV撞到前面的车辆（保险攻击）。我们在单通道和双通道电路上测试我们的攻击。我们的实验结果表明，后门模型不损害正常的操作性能，与累积奖励的最大下降为1%。尽管如此，当相应的触发器出现时，它仍然可以被恶意激活以导致崩溃或拥塞。
2021-08-26 cs.CR cs.LG cs.SY
Review of Learning-based Longitudinal Motion Planning for Autonomous Vehicles: Research Gaps between Self-driving and Traffic Congestion
Georgia Tech（佐治亚理工学院）
自动驾驶技术公司和研究界正在加快步伐，将机器学习纵向运动规划（mMP）用于自动驾驶汽车（AV）。本文回顾了目前的最先进的mMP，独家关注其对交通拥堵的影响。我们确定了当前数据集中拥塞场景的可用性，并总结了训练mMP所需的功能。在学习方法方面，我们对模仿学习和非模仿学习的主要方法进行了综述。我们还强调了一些领先的AV公司采用的新兴技术，例如特斯拉，Waymo和Comma.ai。我们发现：i）自动驾驶行业主要关注与安全相关的长尾问题，而忽视了对交通拥堵的影响，ii）当前的公共自动驾驶数据集没有包括足够的拥堵场景，并且大多缺乏必要的输入特征/输出标签来训练mMP，以及iii）尽管强化学习（RL）方法可以将拥堵缓解集成到学习目标中，工业上采用的主要的mMP方法仍然是行为克隆（BC），其学习减轻故障的mMP的能力还有待观察。在综述的基础上，该研究确定了当前mMP开发中的研究空白。提出了未来mMP研究的一些建议：i）丰富数据收集以促进拥塞学习; ii）结合非模仿学习方法将交通效率结合到以安全为导向的技术路线中; iii）从传统的车辆跟驰（CF）理论中整合领域知识以提高mMP的串稳定性。
2021-07-17 cs.CV cs.LG cs.RO
Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Meta；Walmart（沃尔玛）
本研究提出一种深度强化学习方法，通过训练智能体学习自适应绕行策略以优化利用高速公路车道及邻近干道网络，在极端拥堵场景下将平均交通速度提升21%。
2023-05-16 cs.AI cs.LG
Interpretable Machine Learning for Traffic Congestion Prediction: Unveiling the Impact of Different COVID-19 Periods
National University of Singapore（新加坡国立大学）
本研究以阿拉米达县为对象，采用多种机器学习模型预测不同疫情时期的交通拥堵，通过可解释方法揭示疫情相关因素对拥堵的影响，发现双向LSTM性能最优。
2026-08-04 cs.LG
Scalable Learning of Segment-Level Traffic Congestion Functions
Google Research（谷歌研究院）；HEC Montréal（蒙特利尔高等商学院）；University of California, Berkeley（加州大学伯克利分校）
提出一种数据驱动的框架，通过汇集多城市交通数据训练前馈神经网络，学习适用于所有路段的单一拥堵函数，在泛化和零样本迁移上表现优异。
2024-09-25 cs.LG
Hierarchical Graph Structures for Congestion and ETA Prediction
ETH Zurich（苏黎世联邦理工学院）
Actuic4cast是一项基于真实世界数据预测时空流量的年度竞赛。我们提出了一种方法，使用图神经网络，直接工作的道路图拓扑结构，这是从OpenStreetMap数据中提取。我们的架构可以采用分层图表示，以改善图的关键交叉点和连接它们的最短路径之间的信息流。此外，我们研究了如何可以压缩的道路图，以减轻信息流，并利用多任务的方法来预测拥堵类和ETA同时。我们的代码和模型在这里发布：https://github.com/floriangroetschla/NeurIPS2022-traffic4cast
2022-11-21 cs.AI cs.LG
Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing
Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院）；Carleton University（卡尔顿大学）
深度强化学习（DRL）使用多样化的非结构化数据，使RL能够在高维环境中学习复杂的策略。基于自主车辆的智能交通系统（ITS）为基于策略的日间行车提供了一个很好的平台。深度学习架构解决了传统算法的计算挑战，同时有助于AV的实际采用和部署。自动驾驶汽车实施的主要挑战之一是，如果不可靠和有效地管理，它可能会加剧道路上的交通拥堵。考虑每辆车的整体影响，使用高效可靠的技术，可以真正帮助优化交通流量管理和减少拥堵。为此，我们提出了一个智能交通控制系统，处理复杂的交通拥堵的情况下，在交叉口和交叉口后面。提出了一种基于日间行车灯的信号控制系统，该系统能够根据交叉口当前的拥堵状况动态调整交通信号。针对交叉口后道路的拥堵问题，采用重路由技术对路网中的车辆进行负载均衡。为了实现所提出的方法的实际好处，我们打破了数据孤岛，并结合使用来自传感器、探测器、车辆和道路的所有数据，以实现可持续的结果。我们使用SUMO微模拟器进行模拟。我们所提出的方法的意义体现在结果。
2022-06-28 cs.AI cs.LG
Traffic and Mobility Optimization Using AI: Comparative Study between Dubai and Riyadh
National University of Sciences and Technology (NUST)（巴基斯坦国立科技大学）
本研究通过结合实时交通数据与地理定位情绪分析的人工智能方法，比较迪拜与利雅得的交通拥堵模式与居民满意度，为中东城市出行优化提供可操作建议。
2025-05-15 cs.LG
Dynamic network congestion pricing based on deep reinforcement learning
the University of Tokyo（东京大学）；Tokyo Institute of Technology（东京工业大学）
交通拥挤是城市地区的一个严重问题。动态拥挤收费是在战略范围内消除交通拥挤的有效措施之一。然而，在现实中，由于道路网络规模大、结构复杂，以及道路使用者行为的不确定性，最优的动态拥挤收费在理论上是很难或不可能确定的。为了应对这一挑战，这项工作提出了一种使用深度强化学习（DRL）的动态拥塞定价方法。它旨在通过利用深度强化学习的数据驱动性质，基于一般大规模道路网络中的可观察数据消除交通拥堵。所提出的方法的新颖元素之一是分布式和协作学习计划。具体来说，DRL是以时空分布的方式实现的，DRL代理之间的合作是通过我们称为空间共享奖励和时间切换学习的新技术建立的。它可以在大规模网络中实现快速和计算效率高的学习。使用Sioux Falls网络的数值实验表明，所提出的方法工作良好，由于新的学习计划。
2022-06-24 cs.LG cs.SY eess.SY
Traffic congestion anomaly detection and prediction using deep learning
University of Technology Sydney（悉尼科技大学）；Australian National University（澳大利亚国立大学）
拥堵预测是世界各地交通管理中心的一个主要优先事项，以确保及时处理事故。越来越多的生成的交通数据已经被用于训练交通的机器学习预测器，然而，由于交通流在时间和空间上的相互依赖性，这是一项具有挑战性的任务。最近，深度学习技术已经显示出比传统模型显著的预测改进，然而，围绕其适用性，准确性和参数调整仍然存在开放性问题。本文带来了两个方面的贡献：1）基于输入和历史数据流应用异常值检测和异常调整方法，以及2）提出一种先进的深度学习框架，用于同时预测澳大利亚悉尼高度流通的高速公路沿线的大量监测站上的交通流量、速度和占用率，包括出口和入口环路计数站，并且在不同的训练和预测时间范围内。从3634万个数据点中提取的空间和时间特征用于各种深度学习架构，这些架构通过混合时空建模（CNN-LSTM）利用它们的空间结构（卷积神经元网络）、它们的时间动态（递归神经元网络）或两者。我们表明，我们的深度学习模型始终优于传统方法，我们对预测未来不同时间点交通流量所需的历史数据的最佳时间范围进行了比较分析。最后，我们证明了异常调整方法在时间和空间上都为使用深度学习带来了显着的改进。
2020-06-23 cs.LG eess.SP
Large-scale Regional Traffic Signal Control Based on Single-Agent Reinforcement Learning
本文提出基于单智能体强化学习的大规模区域交通信号控制模型，通过优化交通信号协调以缓解拥堵和减少行驶时间。
2026-01-12 cs.LG cs.SY eess.SY
Non-recurrent Traffic Congestion Detection with a Coupled Scalable Bayesian Robust Tensor Factorization Model
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；School of Transportation Engineering, Southeast University（东南大学交通工程学院）；Faculty of Momenta（Momenta学院）；McGill University（麦吉尔大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
非重现性交通拥堵（NRTC）通常会给通勤者带来意想不到的延误。因此，以实时的方式准确地检测和识别NRTC是至关重要的。道路交通检测器和环路检测器的发展为研究人员提供了大规模的多变量时空交通数据，为深入研究非线性交通流控制提供了条件。然而，它仍然是一个具有挑战性的任务，构建一个分析框架，通过该框架可以有效地表示和利用多变量交通信息的自然时空结构特性，以更好地理解和检测NRTC。在本文中，我们提出了一种新的分析训练免费框架的基础上耦合可扩展贝叶斯鲁棒张量分解（耦合SBRTF）。该框架可以通过共享相似或相同的稀疏结构来耦合多变量交通数据，包括交通流量、道路速度和占用率。而且，它自然地捕获的高维时空结构特性的交通数据的张量因式分解。该框架的共享稀疏结构包含了足够丰富的NRTC信息，其条目揭示了NRTC的分布和大小。而框架的低秩部分则将总体期望交通状况的分布作为辅助产品来表达。在真实交通数据上的实验结果表明，该方法在NRTC检测中的性能优于耦合贝叶斯鲁棒主成分分析（耦合BRPCA）、秩稀疏张量分解（RSTD）和标准正态偏差（SND）.当只利用工作日的交通数据时，所提出的方法表现得更好，因此可以为日常通勤者提供更精确的NRTC估计。
2020-05-10 cs.CV cs.LG physics.soc-ph
Combat Urban Congestion via Collaboration: Heterogeneous GNN-based MARL for Coordinated Platooning and Traffic Signal Control
本文提出基于异构图多智能体强化学习的协调车队编队与交通信号控制方法，通过设计独立智能体、图神经网络协调机制和交替优化训练，有效缓解城市交通拥堵。
2025-08-12 cs.LG cs.MA
Mining Topological Dependencies of Recurrent Congestion in Road Networks
L3S Research Center（L3S研究中心）；Leibniz University Hannover（莱布尼茨汉诺威大学）；University of Bonn（波恩大学）
发现城市道路网络中导致经常性拥堵（RC）模式的时空依赖性对于许多现实世界的应用至关重要，包括城市规划和公共交通服务的调度。虽然大多数现有的研究调查RC现象的时间模式，道路网络拓扑结构对RC的影响往往被忽视。本文提出了ST-发现算法，一种新的无监督时空数据采掘算法，有利于有效的数据驱动的发现RC依赖的道路网络拓扑结构，使用现实世界的交通数据。我们的因素定期重现的交通现象，如高峰时间，主要是由白天引起的，通过建模和系统地利用时间交通负荷异常值。我们提出了一种算法，首先构造连通子图的道路网络的基础上的交通速度离群值。其次，该算法识别子图对，指示其交通负荷行为的时空相关性，以识别道路网络内的拓扑依赖性。最后，我们根据我们的算法确定的依赖分数对识别出的子图对进行排名。我们的实验结果表明，ST发现可以有效地揭示城市道路网络的拓扑依赖性。
2021-07-20 cs.CY cs.LG
MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data
Northeastern University, China（东北大学）
本文提出MA2GCN模型，将车辆轨迹数据转化为网格图结构，结合车辆进出矩阵、自适应邻接矩阵与注意力模块，利用门控时间卷积和图卷积提取时空信息，在上海出租车GPS轨迹数据集上取得最优交通拥堵预测性能。
2024-01-18 cs.AI cs.LG
An IoT-Based System: Big Urban Traffic Data Mining Through Airborne Pollutant Gases Analysis
Shiraz University（设拉子大学）
本文提出一种基于物联网的城市交通拥堵检测系统，通过计算区域空气污染量来获取交通拥堵情况，实验结果令人满意。
2020-02-15 cs.LG cs.SY eess.SP
