本研究由Ruo Jia、Kun Gao、Yang Liu、Bo Yu、Xiaolei Ma和Zhenliang Ma共同完成，分别来自瑞典查尔姆斯理工大学（Chalmers University of Technology）、中国同济大学、中国北京航空航天大学和瑞典皇家理工学院（KTH Royal Institute of Technology）。该研究于2025年发表在《Transportation Research Part C》期刊上，标题为“I-CLTP: Integrated Contrastive Learning with Transformer Framework for Traffic State Prediction and Network-wide Analysis”。

学术背景

交通状态预测是智能交通系统（ITS）中规划、运营、管理和控制的关键环节。传统上，交通状态信息依赖于固定基础设施传感器，而近年来，随着数据采集方法和人工智能技术的进步，交通状态预测的应用得到了显著扩展。然而，现有的深度学习方法在捕捉交通状态的时空非线性特征方面仍存在挑战，尤其是在网络层面的分析中。本研究旨在通过结合对比学习（Contrastive Learning）和Transformer架构，提出一种创新的时空交通状态预测框架，以更好地捕捉交通流中的时空异质性。

研究流程

本研究提出了一个名为I-CLTP的框架，结合了对比学习和Transformer模型，用于交通状态的时空预测。该框架包括以下几个主要步骤：

1. 图表示层（Graph Representation Layer）：将交通状态数据转换为图结构，通过图神经网络（GNN）将节点转换为低维密集嵌入，捕捉图的属性和结构特征。

2. 自适应增强层（Adaptive Augmentation Layer）：通过节点级和图级的数据增强技术，提取交通状态的独特特征，增强模型对复杂交通动态的表示能力。

3. 时空编码层（Spatio-temporal Encoder Layer）：结合空间和时间信息，使用Chebyshev多项式近似进行图卷积，捕捉交通网络中的动态时空关系。

4. Transformer层（Transformer Layer）：通过多头注意力机制和位置编码，捕捉全局时间依赖性，用于预测未来的交通状态。

5. 对比学习层（Contrastive Learning Layer）：通过对比学习，最小化空间和时间预测的联合损失，提升预测精度。

6. 软聚类（Soft Clustering）：在上下层之间应用软聚类问题，通过最小化每个簇的联合损失，对交通流特征进行分类。

主要结果

本研究在真实的高速公路交通流数据集上进行了实验，验证了所提出模型的有效性。实验结果表明，I-CLTP模型在交通状态预测精度上显著优于现有的最新模型。具体而言，该模型的平均绝对误差（MAE）为13.31，平均绝对百分比误差（MAPE）为7.85%，分别比最新的基线模型提高了2.0%和14.5%。此外，分析表明，该模型能够通过学习时空交通动态的簇模式，校准基本图（Fundamental Diagram），从而提升预测精度。

结论

本研究提出的I-CLTP框架通过结合对比学习和Transformer模型，显著提高了交通状态预测的精度。该框架不仅能够捕捉交通流中的时空异质性，还能够通过软聚类技术对交通流特征进行分类，从而更好地理解交通动态。实验结果表明，该模型在真实数据集上的表现优于现有的最新模型，具有较高的科学和应用价值。

研究亮点

1. 创新性框架：首次将对比学习与Transformer模型结合，用于交通状态预测，提出了一种全新的时空预测框架。
2. 数据增强技术：通过节点级和图级的数据增强技术，解决了高维特征数据的复杂性问题，提升了模型的预测精度。
3. 软聚类技术：通过软聚类技术对交通流特征进行分类，更好地捕捉了交通动态的簇模式。
4. 实验结果显著：在真实数据集上的实验结果表明，该模型在预测精度上显著优于现有的最新模型，具有较高的应用价值。

其他有价值的内容

本研究还探讨了不同节点在交通流特征上的差异，并通过对比学习技术对交通状态进行了分类。研究结果表明，不同节点的交通流特征存在显著差异，进一步验证了所提出模型的有效性。此外，本研究还通过T-SNE技术对聚类结果进行了可视化，展示了不同簇的区分度，进一步验证了模型的分类能力。

本研究提出的I-CLTP框架为交通状态预测提供了一种全新的解决方案，具有较高的科学和应用价值，为未来的交通管理和控制提供了有力的支持。