DOI: https://doi.org/10.1016/j.jtrangeo.2026.104715
تاريخ النشر: 2026-05-29
المؤلف: Liang Ma وآخرون
الموضوع الرئيسي: النقل الحضري والوصولية
نظرة عامة
تقدم هذه الدراسة إطار عمل قابل للتوسع في التعلم الآلي (ML) مصمم للتنبؤ بحركة المرور اليومية المتوسطة السنوية (AADT) في أكثر من 19,000 موقع في إنجلترا وويلز، مع معالجة تحديات جمع بيانات المرور التي تتطلب موارد كثيفة وتكون نادرة. من خلال دمج أكثر من 900 ميزة سياقية، بما في ذلك البيانات الديموغرافية، مع ميزات إحصائية مكانية مصممة مثل تصفية المتجهات الذاتية، يعزز الإطار دقة تنبؤات AADT. تستخدم التقييم استراتيجيتين للتقييم المتقاطع المستند إلى المعلومات المكانية – الوزن حسب كثافة العينة وCV الكتلة المكانية – مما يؤدي إلى قيم R² للاختبار تبلغ 0.79 و0.67 على التوالي.
تقوم الدراسة بتقييم منهجي لمساهمات الميزات المكانية، مما يوضح دورها في تحسين تعميم النموذج. تشير تحليل المتبقيات إلى أن النموذج يلتقط بنجاح الاعتماديات المكانية، مما يعالج بفعالية قضايا الارتباط الذاتي المكاني والتباين. لا يحافظ هذا الإطار المبتكر على الكفاءة الحاسوبية فحسب، بل يمكن تطبيقه أيضًا على مهام التنبؤ المكانية المختلفة ضمن نمذجة البيئة والدراسات الحضرية وعلوم المناطق، مما يبرز قابليته للنقل الواسع وتأثيره المحتمل على سياسة النقل المستدام وتخطيط البنية التحتية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الزيادة الكبيرة في الطلب على النقل البري عالميًا، لا سيما في أوروبا، حيث ارتفع السفر بالسيارات والنقل البري بنسبة 25% و66%، على التوالي، من 1995 إلى 2022. على الرغم من التقدم في المركبات الكهربائية والوقود الأنظف، شكل النقل البري 21% من انبعاثات غازات الدفيئة في أوروبا في 2022، مما يبرز الحاجة إلى بيانات موثوقة عن حجم المرور لتخطيط البنية التحتية واستراتيجيات التنقل المستدام. تعتبر مقياس حركة المرور اليومية المتوسطة السنوية (AADT) شائعة الاستخدام، لكنها تتطلب موارد كثيفة لجمعها وغالبًا ما تمثل الطرق الثانوية والمناطق الريفية بشكل غير كاف.
لمعالجة تحديات تقدير AADT في المواقع غير المقاسة، تم استخدام طرق مختلفة مثل الانحدار الخطي والتقنيات الجيواستاتيكية، لكنها تواجه صعوبات مع التباين المكاني والارتباط الذاتي. تقدم التطورات الأخيرة في التعلم الآلي (ML) فرصًا لتقدير حجم المرور القابل للتوسع، ومع ذلك، فإن معظم خوارزميات ML لا تأخذ في الاعتبار الاعتماديات المكانية، مما يؤدي إلى تحيزات محتملة في أداء النموذج. تقترح هذه الدراسة إطار عمل قابل للتوسع في ML يدمج أكثر من 900 ميزة سياقية و140 ميزة إحصائية مكانية مصممة لالتقاط الهياكل المكانية بفعالية. يتم تطبيق الإطار لتقدير AADT في أكثر من 19,000 موقع في إنجلترا وويلز، باستخدام استراتيجيات التقييم المتقاطع المستندة إلى المعلومات المكانية لتقييم أداء النموذج. يهدف النهج المقترح إلى تحقيق توازن بين دقة التنبؤ وتعقيد النموذج، مما يجعله قابلًا للتطبيق في سياقات التنبؤ المكانية المختلفة.
طرق
في هذه الدراسة، تم تطوير إطار عمل للتعلم الآلي (ML) للتنبؤ المكاني بحركة المرور اليومية المتوسطة السنوية (AADT) عبر شبكات الطرق الواسعة في إنجلترا وويلز. تستخدم التحليل بيانات AADT المتاحة للجمهور من عام 2021، والتي تشمل قياسات من 19,720 نقطة عد محددة عبر خمس فئات طرق. تضمنت إعداد مجموعة البيانات مطابقة جغرافية لكل نقطة عد مع مقطع الطريق المقابل بناءً على الموقع المكاني وفئة الطريق واسم الطريق، مما أسفر عن مجموعة بيانات نهائية تضم 19,560 نقطة عد صالحة. ومن الجدير بالذكر أن 74% من هذه النقاط تقع على طرق A، بينما يتم توزيع الباقي عبر الطرق السريعة (5%)، وطرق B (2%)، وطرق C (5%)، والطرق غير المصنفة (13%). تم استبعاد نقاط العد الموجودة على الجزر التي لا ترتبط مباشرة بشبكة الطرق الرئيسية من التحليل.
لتحسين النموذج التنبؤي، تم الحصول على هندسة الطريق والسمات من Ordnance Survey Open Roads، التي تفصل أكثر من ثلاثة ملايين مقطع طريق في المنطقة. تشكل هذه الشبكة المكانية الأساس لبناء ميزات الإدخال اللازمة لإطار العمل في ML. ستفصل الأقسام التالية من الدراسة تصميم الميزات، وبناء النموذج، واستراتيجيات التقييم، وتقييم أهمية الميزات.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تطبيق إطار عمل قابل للتوسع في التعلم الآلي (ML) للتنبؤ المكاني، مستهدفين بشكل خاص التنبؤ بحركة المرور اليومية المتوسطة السنوية (AADT) على مستوى الشارع عبر إنجلترا وويلز. تتناول الدراسة تحديات كبيرة في النمذجة المكانية، مثل التباين المكاني، والارتباط الذاتي المكاني، وتغطية البيانات النادرة، مما يوفر سياقًا عمليًا لتقييم الإطار المقترح. يستخدم التحليل بيانات AADT من 19,560 موقع “نقطة عد” محددة في عام 2021، مصنفة إلى خمس فئات طرق قياسية في المملكة المتحدة: الطرق السريعة، وطرق A، وطرق B، وطرق C، والطرق غير المصنفة، والتي يتم تجميعها لاحقًا إلى طرق رئيسية (طرق سريعة وطرق A) وطرق ثانوية (طرق B وC والطرق غير المصنفة).
يقيم المؤلفون قابلية تعميم إطار عملهم من خلال تقييم أدائه التنبؤي بشكل عام وحسب فئة الطريق. كما يستكشفون مساهمة الميزات الإحصائية المكانية المصممة من خلال تقييم أداء النموذج عبر مجموعات ميزات مختلفة وتصنيف أهمية الميزات في النموذج النهائي. بالإضافة إلى ذلك، تجري الدراسة تحليلًا للمتبقيات لفحص مدى قدرة النموذج على حساب الارتباط الذاتي المكاني، مع التركيز على التوزيع المكاني وتجمع أخطاء التنبؤ. تؤكد هذه التقييم الشامل فعالية الإطار في معالجة تعقيدات التنبؤ المكاني في نمذجة المرور.
نقاش
في هذه الدراسة، قمنا بتطوير نماذج متميزة للطرق الرئيسية والثانوية للتنبؤ بحركة المرور اليومية المتوسطة السنوية (AADT) باستخدام انحدار Elastic Net لاختيار الميزات وLightGBM للنمذجة. تضمنت مجموعة الميزات متغيرات سياقية عالية الأبعاد وميزات إحصائية مكانية مصممة لالتقاط الاعتماديات المكانية. تم تقييم أداء النموذج من خلال استراتيجيتين متكاملتين للتقييم المتقاطع (CV): CV الوزن حسب كثافة العينة وCV الكتلة المكانية، مما يكشف أن دقة التنبؤ كانت عمومًا أعلى تحت نهج CV الموزون. حقق أفضل نموذج أداء (النموذج 4) اختبار $R^2$ بنسبة 79.4% ولكنه تكبد تكاليف حاسوبية أعلى بسبب ضبط المعلمات. في المقابل، أدت نموذج قاعدة أبسط (النموذج 0) أداءً أفضل تحت CV الكتلة المكانية، مما يشير إلى احتمال الإفراط في التكيف في النماذج الأكثر تعقيدًا.
كشفت التحليلات الإضافية عن تباين كبير في أداء التنبؤ عبر فئات الطرق، حيث أظهرت طرق A أعلى قيم $R^2$ (69.8%) والطرق غير المصنفة أدنى القيم (47.4%). يُعزى هذا التباين إلى توزيع قيم AADT، حيث أظهرت الطرق الثانوية، التي غالبًا ما تكون أقل مراقبة، أخطاء نسبية أكبر. عزز دمج الميزات الإحصائية المكانية دقة النموذج، لا سيما بالنسبة للطرق الرئيسية، بينما كانت الميزات المحلية أكثر فائدة للطرق الثانوية. أكدت تحليل قيمة SHAP أهمية كل من الميزات السياقية والمكانية، مما يبرز الحاجة إلى هندسة ميزات مصممة خصيصًا. أشار تحليل المتبقيات إلى التقاط فعال للاعتماد الذاتي المكاني، مع تجمعات أخطاء مكاني ضئيلة، مما يؤكد على قوة النموذج وقابليته للتعميم عبر بيئات حضرية متنوعة. بشكل عام، تسلط هذه الدراسة الضوء على إمكانية دمج نظرية الإحصاء المكاني مع التعلم الآلي لتحسين النمذجة التنبؤية في مجموعات البيانات المكانية المعقدة.
DOI: https://doi.org/10.1016/j.jtrangeo.2026.104715
Publication Date: 2026-05-29
Author(s): Liang Ma et al.
Primary Topic: Urban Transport and Accessibility
Overview
The research presents a scalable machine learning (ML) framework designed to predict annual average daily traffic (AADT) at over 19,000 locations in England and Wales, addressing the challenges of resource-intensive and sparse traffic data collection. By integrating more than 900 contextual features, including demographic data, with engineered spatial statistical features such as eigenvector spatial filtering, the framework enhances the accuracy of AADT predictions. The evaluation employs two spatially informed cross-validation strategies—sampling-intensity-weighted and spatial block CV—yielding test R² values of 0.79 and 0.67, respectively.
The study systematically benchmarks the contributions of spatial features, demonstrating their role in improving model generalization. Residual analysis indicates that the model successfully captures spatial dependencies, effectively addressing issues of spatial autocorrelation and heterogeneity. This innovative framework not only maintains computational efficiency but is also applicable to various spatial prediction tasks within environmental modeling, urban studies, and regional science, highlighting its broad transferability and potential impact on sustainable transport policy and infrastructure planning.
Introduction
The introduction of this research paper highlights the significant increase in road transport demand globally, particularly in Europe, where car travel and freight transport rose by 25% and 66%, respectively, from 1995 to 2022. Despite advancements in electric vehicles and cleaner fuels, road transport accounted for 21% of greenhouse gas emissions in Europe in 2022, underscoring the need for reliable traffic volume data for infrastructure planning and sustainable mobility strategies. The Annual Average Daily Traffic (AADT) metric, while commonly used, is resource-intensive to collect and often underrepresents minor roads and rural areas.
To address the challenges of estimating AADT at unmeasured locations, various methods such as linear regression and geostatistical techniques have been employed, but they struggle with spatial heterogeneity and autocorrelation. Recent advancements in machine learning (ML) present opportunities for scalable traffic volume estimation, yet most ML algorithms do not account for spatial dependencies, leading to potential biases in model performance. This study proposes a scalable ML framework that integrates over 900 contextual features and 140 engineered spatial statistical features to effectively capture spatial structures. The framework is applied to estimate AADT at over 19,000 locations in England and Wales, utilizing spatially informed cross-validation strategies to evaluate model performance. The proposed approach aims to balance predictive accuracy with model complexity, making it applicable to various spatial prediction contexts.
Methods
In this study, a machine learning (ML) framework is developed for the spatial prediction of Annual Average Daily Traffic (AADT) across extensive road networks in England and Wales. The analysis utilizes publicly available AADT data from 2021, encompassing measurements from 19,720 designated count points across five road classes. The dataset preparation involved geographically matching each count point to its corresponding road segment based on spatial location, road class, and road name, resulting in a final dataset of 19,560 valid count points. Notably, 74% of these points are situated on A roads, while the remainder is distributed across motorways (5%), B roads (2%), C roads (5%), and unclassified roads (13%). Count points located on islands without direct road connections to the mainland were excluded from the analysis.
To enhance the predictive model, road geometry and attributes were sourced from Ordnance Survey Open Roads, which details over three million road segments in the region. This spatial network forms the foundation for constructing input features necessary for the ML framework. The subsequent sections of the study will detail the feature design, model construction, evaluation strategies, and the assessment of feature importance.
Results
In this section, the authors present the results of applying a scalable machine learning (ML) framework for spatial prediction, specifically targeting the prediction of annual average daily traffic (AADT) at street level across England and Wales. The study addresses significant challenges in spatial modeling, such as spatial heterogeneity, spatial autocorrelation, and sparse data coverage, providing a practical context for the evaluation of the proposed framework. The analysis utilizes AADT data from 19,560 designated “count point” locations in 2021, categorized into five standard UK road classes: motorways, A roads, B roads, C roads, and unclassified roads, which are further aggregated into major roads (motorways and A roads) and minor roads (B, C, and unclassified roads).
The authors assess the generalizability of their framework by evaluating its predictive performance overall and by road class. They also investigate the contribution of engineered spatial statistical features by benchmarking model performance across various feature combinations and ranking the importance of features in the final model. Additionally, the study conducts a residual analysis to examine how well the model accounts for spatial autocorrelation, focusing on the spatial distribution and clustering of prediction errors. This comprehensive evaluation underscores the framework’s effectiveness in addressing the complexities of spatial prediction in traffic modeling.
Discussion
In this study, we developed distinct models for major and minor roads to predict Average Annual Daily Traffic (AADT) using Elastic Net regression for feature selection and LightGBM for modeling. The feature set incorporated high-dimensional contextual variables and engineered spatial statistical features to capture spatial dependencies. Model performance was evaluated through two complementary cross-validation (CV) strategies: sampling-intensity-weighted CV and spatial block CV, revealing that predictive accuracy was generally higher under the weighted CV approach. The best-performing model (Model 4) achieved a test $R^2$ of 79.4% but incurred higher computational costs due to hyperparameter tuning. In contrast, a simpler baseline model (Model 0) performed better under spatial block CV, indicating potential overfitting in more complex models.
Further analysis revealed significant variability in predictive performance across road classes, with A roads exhibiting the highest $R^2$ values (69.8%) and unclassified roads the lowest (47.4%). This discrepancy is attributed to the distribution of AADT values, where minor roads, often less monitored, showed greater relative error. The integration of spatial statistical features enhanced model accuracy, particularly for major roads, while local features were more beneficial for minor roads. SHAP value analysis confirmed the importance of both contextual and spatial features, emphasizing the need for tailored feature engineering. Residual analysis indicated effective capture of spatial autocorrelation, with minimal spatial clustering of errors, affirming the model’s robustness and generalizability across diverse urban settings. Overall, this research highlights the potential of combining spatial statistical theory with machine learning to improve predictive modeling in complex spatial datasets.