技术深度解析
传统的公交客流预测方法将整个城市视为一个单一的统计单元，通常使用全局时间序列模型（如 ARIMA）或基于聚合数据训练的单个 LSTM 网络。这隐含地假设所有社区遵循相同的底层模式——而新研究直接攻击了这一谬误。
多边形分割流水线
该框架包含三个阶段：
1. 空间聚类：城市地理区域被划分为小网格单元（例如 500m x 500m）。提取每个单元的历史客流数据。一种基于密度的空间聚类算法（DBSCAN 变体，针对地理坐标适配）将具有相似客流模式的相邻单元分组为多边形。算法自动确定聚类数量——无需手动标注。
2. 独立模型训练：对于每个生成的多边形，训练一个独立的预测模型。研究人员尝试了多种架构：Gradient Boosting（XGBoost）、Temporal Convolutional Networks（TCN）以及轻量级 Transformer 变体。关键在于每个模型只学习其所属多边形的局部动态。
3. 集成推理：在预测时，查询点（例如一个公交站）被映射到其所属多边形。对应的模型生成预测结果。这种方法计算效率高，因为推理只需加载每个多边形的一个小模型，而非一个庞大的全市模型。
技术创新：空间感知时间序列
真正的创新在于空间聚类与时间建模的耦合。聚类步骤不仅仅是一个预处理技巧——它实际上是一种空间正则化。通过强制模型专注于具有相似行为的地理连续区域，该框架减少了对无关区域噪声的过拟合。这类似于卷积神经网络在图像中利用空间局部性，但应用于城市交通的时空领域。
一个相关的开源项目是 ST-GCN（Spatial-Temporal Graph Convolutional Networks），它将交通建模为道路段构成的图。然而，ST-GCN 需要预定义的图结构（道路网络），而多边形分割方法则从数据中自行生成聚类，使其更适应布局不规则的城市。另一个相关仓库是 DeepMove（GitHub: 2.3k 星），它预测人类移动轨迹，但缺乏明确的多边形划分。
性能基准
研究人员在三个城市的真实公交客流数据上评估了该框架：纽约市（MTA）、伦敦（TfL）和深圳。下表总结了关键结果：
| 模型 | 城市 | MAE（乘客/站） | RMSE | 训练时间（小时） | 推理延迟（毫秒） |
|---|---|---|---|---|---|
| Global LSTM（基线） | 纽约 | 12.4 | 18.7 | 8.5 | 0.8 |
| Global XGBoost（基线） | 纽约 | 11.8 | 17.2 | 3.2 | 0.5 |
| Polygon-LSTM（本文） | 纽约 | 7.6 | 11.3 | 12.1 | 1.2 |
| Polygon-XGBoost（本文） | 纽约 | 7.1 | 10.8 | 4.8 | 0.6 |
| Polygon-Transformer（本文） | 纽约 | 6.9 | 10.2 | 15.3 | 1.5 |
| Polygon-Transformer | 伦敦 | 5.8 | 9.1 | 14.7 | 1.4 |
| Polygon-Transformer | 深圳 | 4.2 | 7.3 | 16.1 | 1.6 |
数据要点： 多边形分割方法在所有城市中将 MAE 降低了 38% 至 42%。Polygon-Transformer 变体实现了最佳精度，但训练成本更高。关键在于，每个站点的推理延迟保持在 2 毫秒以下，使得实时部署成为可能。深圳数据集显示出最低误差，这很可能得益于更一致的城市规划。
关键参与者与案例研究
研究起源
该研究由 MIT Senseable City Lab 与清华大学城市计算组联合主导。第一作者任逸飞博士此前在滴滴出行从事网约车需求的时空预测工作。该团队的前期工作包括 UrbanPoly 数据集（已在 GitHub 上发布，约 1.2k 星），这是一个用于基于多边形的城市预测任务的基准数据集。
行业采纳候选者
| 公司/产品 | 当前方法 | 多边形分割的潜在契合度 |
|---|---|---|
| Google Maps（公交层） | 到达时间的全局 ML 模型；无站点级拥挤度 | 高：可集成多边形 API 实现逐站拥挤预测 |
| Moovit（Intel） | 使用历史平均值 + 实时 GPS；空间粒度有限 | 高：已有站点级数据；多边形模型将提升精度 |
| Citymapper | 依赖公交当局数据源；无预测性拥挤度 | 中：可将多边形数据作为高级功能授权 |
| 滴滴出行 / Uber | 基于图的网约车需求模型；非公交专用 | 低：需适配公交特定模式，但空间聚类专长存在 |
| Transit（应用） | 来自用户报告的实时拥挤度；非预测性 | 高：预测性多边形模型可填补空白 |