摘要

本文介绍了一种名为ST-Mamba的深度学习模型，该模型专门用于在有限数据条件下进行交通流量估计（TFE）。传统的交通流量估计方法依赖于昂贵且覆盖范围有限的路边检测器，而ST-Mamba模型通过结合卷积神经网络（CNN）和Mamba框架，能够有效地从车辆网络数据中捕捉时空模式，从而提高TFE的准确性和稳定性。该模型在真实世界数据集上的模拟实验证明了其能够在有限数据条件下提供精确和稳定的交通流量估计，为城市智能交通系统提供了一种成本效益高的解决方案。

原理

ST-Mamba模型的核心在于其能够同时捕捉交通流量的空间和时间相关性。模型通过CNN部分提取输入数据的局部空间特征，而Mamba部分则用于建模每个网格的时间相关性。具体来说，CNN通过卷积操作在四个不同的驾驶方向上独立提取空间特征，然后通过全连接层（FC）提升数据维度并整合不同方向的空间特征。Mamba部分则通过选择机制有效地处理序列数据，并建模时间相关性，通过全局卷积操作输出包含时空相关性的最终结果。

流程

ST-Mamba的工作流程包括数据收集、原始估计生成、云计算恢复和网格地图匹配。首先，城市地图被均匀分割成网格，每个网格代表城市中的一个特定区域。然后，通过随机抽样从车辆网络中收集有限的数据，并将这些数据与相应的网格匹配。接着，使用设计的深度学习模型，即ST-Mamba，来生成基于有限数据的精确交通流量估计。具体示例包括在北京第四环路的实际交通数据上的应用，展示了模型如何从10%的数据限制中恢复出接近理想状态的交通流量估计。

应用

ST-Mamba模型在城市智能交通系统中具有广泛的应用前景。由于其能够在有限数据条件下提供高精度的交通流量估计，该模型可以有效地支持交通管理、路线规划和拥堵预测等应用。此外，随着智能交通系统的进一步发展，ST-Mamba模型有望在更多场景中得到应用，如自动驾驶车辆的导航优化和城市交通网络的动态调整。