交通部门需要获取网络中每条路段的当前及近期速度，但固定传感器只能覆盖部分路段。本文研究了在达拉斯-沃斯堡地区 4,127 条有向高速公路链路上，利用仅覆盖 643 条链路（占比 15.6%）的传感器，实现对所有链路的即时预测（nowcasting）和下一小时预测（forecasting）。历史探针车辆数据为每条链路提供监督信号，推理阶段仅使用传感器读数，这一设置称为探针监督稀疏感知。
我们提出 GCRN+，一种图卷积递归网络，预测相对于历史速度剖面的偏差。核心技术包括：① 参数无关、方向感知的核插值，用于生成传感器异常特征并作为输出基线；② 在有向道路图上运行的扩散卷积 GRU；③ 低秩自适应图结构；④ 可学习的链路嵌入。模型的计算复杂度随网络规模线性增长，可在 CPU 上完成训练。为消除探针与检测器校准的影响，传感器读数通过探针速度仿真得到，从而将时空推理与校准过程解耦。
在四个未见测试日上，GCRN+ 对未覆盖链路的当前小时 RMSE 为 2.21 mph，下一小时为 2.39 mph，显著优于历史平均的 3.23 mph。使用相同插值特征的最佳基线分别为 2.53 mph 和 2.75 mph。未使用插值特征的近期模型（STID、STAEformer、ImputeFormer、MoGERNN）最高只能达到 2.54 mph 和 2.53 mph。GCRN+ 在除未与任何传感器相连的链路外的所有距离区间均表现最佳。消融实验表明，链路嵌入和自适应图贡献了大部分性能提升，这得益于探针标签覆盖所有链路的优势。
在未覆盖链路的拥堵检测任务中，召回率从历史平均的 77% 和最佳竞争模型的 86% 提升至 89%，精度保持在 0.94。
点评