论文题目为《SPO-VCS: An end-to-end smart predict-then-optimize framework with alternating differentiation method for relocation problems in large-scale vehicle crowd sensing》，发表于《Transportation Research Part E》。文中提出端到端智能预测-优化（SPO）框架，将约束二次规划（QP）与交替方向乘子法（ADMM）结合，解决大规模车辆众包感知（VCS）中车辆重定位的覆盖偏差与计算效率问题。通过香港九龙（中型）和成都（大型）的真实出租车轨迹数据集验证，结果表明该框架在匹配精度、大规模适应性上显著优于传统两阶段PTO及隐式微分SPO方法，为智能交通中的车辆调度提供高效解决方案。

摘要

    无处不在的移动设备推动了车辆群感知（VCS）的发展。特别是，车辆传感系统在不同的传感场景下，通过内置的智能传感器灵活获取大量的城市时空数据方面展现出巨大潜力。然而，由于出行请求的异质性和路线的多样性，出租车等车辆系统的覆盖范围往往存在偏差。为了实现高传感覆盖率，一个关键挑战在于如何优化车辆的重新定位，以最小化车辆的时空分布与目标传感分布之间的差异。传统方法通常采用两阶段的“先预测后优化”（PTO）流程：首先预测实时车辆分布，然后基于该预测生成最优的重新定位策略。然而，这种方法由于上游预测误差的传播，可能导致次优决策。为此，我们开发了一个端到端的智能“先预测后优化”（SPO）框架，将优化融入深度学习架构中的预测过程，并且通过最小化特定任务的匹配差异而非上游预测误差来训练整个框架。在方法上，我们通过二次规划（QP）来构建车辆重新定位问题，并在SPO框架中融入一种基于交替方向乘子法（ADMM）的新型展开方法，以计算QP层的梯度，从而促进端到端学习中的反向传播和基于梯度的优化。利用中国香港和成都的两个从中型到大型的真实出租车数据集，验证了所提出框架的有效性。通过交替微分方法，通用的SPO框架提出了一种解决具有不确定性的决策问题的新概念，在物流和智能交通系统应用的推进方面显示出巨大潜力。

引言

            VCS 作为移动众包感知（MCS）的重要分支，凭借车辆的时空覆盖优势，在基础设施监测、交通状态估计等领域不可或缺。其核心挑战是通过 DVs 重定位，最小化车辆分布与目标感知分布的差异，但传统方案存在显著局限：

（1）传统PTO 框架的固有缺陷：PTO方法的一个关键局限性在于，预测模型的训练主要基于经验误差最小化，并使用均方误差（MSE）和平均绝对误差（MAE）等指标。经过训练的预测模型在后续的优化阶段未必能产生最优策略，因为优化阶段的重点是特定任务，这可能与MSE或MAE等指标不能很好地匹配；

（2）优化层嵌入难题：端到端SPO框架虽能整合预测与优化，但大规模约束优化的梯度计算面临挑战——隐式微分需直接求解KKT条件的雅可比矩阵，计算复杂度极高，难以适配大型网络；现有展开法多适用于无约束问题，无法满足VCS重定位的约束需求。

基于以上问题，文章做出了如下创新：

    1.提出了一种用于车辆调度问题的新型端到端智能预测-优化框架。我们首次在深度学习中使用SPO框架来构建车辆调度问题的模型。具体而言，车辆调度问题被构建为一个带约束的二次规划问题，其目标函数中的参数通过深度学习进行预测；

    2.提出了一种基于交替方向乘子法（ADMM）的交替微分展开方法，用于大规模网络中的约束优化问题。提出了一种新颖的展开方法，以迭代方式获取大规模网络中约束二次规划（QP）的梯度。具体而言，前向传播使用ADMM求解，反向传播通过交替微分实现；

    3.在两个真实数据集上进行了从中等规模到大规模的五种网络规模的数值实验。实验证明了所提出的SPO框架具有优秀的性能和计算效率。

方法

    下图简要展示了所提出的端到端智能预测-优化（SPO-VCS）框架。该框架将优化模型作为深度学习网络中的“优化层”嵌入预测模型，使预测与优化在同一目标函数下联合训练，从而实现端到端学习。与此同时，框架通过交替方向乘子法对优化问题进行求解，有效缓解了优化模型难以嵌入神经网络以及最优解梯度难以计算的问题。其具体设计如下：

1.车辆需求预测模型

    预测模块用于刻画并预测下一时段不可控车辆（NDVs）的空间分布，为后续重定位决策提供关键输入。具体而言，该模块以历史时段的车辆分布及相关时空特征为输入，利用时空预测网络学习网格间的空间关联与时间演化规律，输出对 
的预测结果。预测模型公式如下所示：

预测损失为：

2.面向DVs 的车辆重定位模型

    优化模型以“最小化感知分布差距”为目标，将DVs重定位建模为约束QP问题。模型公式如下：

3.SPO损失函数

    在用于VCS车辆重定位问题的端到端SPO框架中，首要目标是提升传感器的感知精度。由于传感器安装在车辆上，感知分布可以等效地用车辆的匹配分布来表征。因此，最终目标是在全体车辆范围内，最小化匹配分布与目标分布之间的匹配偏差（matching divergence）。匹配损失形式化定义如下：

SPO框架的损失函数为：

4.求解算法

    为解决大规模约束QP 的梯度传播问题，本文提出基于 ADMM 的显示展开法，如图所示，算法将优化过程拆解为k层神经网络，实现显式微分：

案例研究

    论文选取两类真实数据集开展实验：一是香港九龙区域（CaseA），覆盖50.11km²、含207万条出租车轨迹样本，网络规模设为45×45与68×68；二是成都区域（CaseB），覆盖73.73km²、含998万条样本，网络规模扩展至60×60、80×80及100×100。实验以隐式微分SPO（SPO-C）、传统两阶段PTO、无干预策略（DON）为基准模型，设定均匀、高斯、高斯混合三种目标感知分布，采用均方根误差（RMSE）与对称平均绝对百分比误差（SMAPE）衡量车辆分布与目标分布的匹配度。

1.匹配精度实验结果

    在多场景下，SPO-VCS的匹配精度显著优于基准模型：Case A的68×68大规模网络中，其匹配精度比传统PTO平均提升7.9%，比基于隐式微分的SPO方法（SPO-C）提升2.51%；Case B的100×100超大网络中，均匀分布场景下SPO-VCS的RMSE比PTO低9.22%，且能有效减少高峰时段高需求区域的预测过估计问题，体现端到端训练对决策目标的直接优化作用。

同时，图10与图11直观验证，SPO-VCS能有效减少高峰时段高需求区域的预测过估计问题——相较于PTO在Mong Kok、Hung Hom等核心区域的显著过估（红色区域集中），SPO-VCS的误差分布更接近零（黄色区域占比更高），这一结果体现了端到端训练直接优化决策目标的核心优势。

2.计算效率实验结果

         SPO-VCS在大规模场景下展现出高效的计算性能：当网络规模达到68×68及以上时，其运行时间比SPO-C短4.01%~5.7%；即使网络规模从45×45扩展至100×100，该框架仍能保持稳定收敛，未出现效率明显下降的情况，验证了基于ADMM的交替微分方法对大规模约束优化问题的适配性。

3.敏感性分析结果

     实验进一步测试了关键参数对框架性能的影响：在DVs控制比（DVs占车辆总量的比例）为30%~70%时，框架性能达到最优；收敛阈值设为时，可平衡精度与效率，过严的阈值会使运行时间增加24.62%；ADMM惩罚项在Case A中取2.0、Case B中取5.0时适配性最佳，过大易导致迭代振荡，过小则会减慢收敛速度。

欢迎关注微信公众号《当交通遇上机器学习》！如果你和我一样是轨道交通、道路交通、城市规划相关领域的，也可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！

往

期

回

顾

重磅发布 | 《Artificial Intelligence for Transportation》新刊上线！

团队研究成果|大型活动期间城轨短时客流预测

团队研究成果|城市轨道交通短时交通客流OD预测

团队研究成果|城市轨道交通新线客流预测

团队研究成果|城市轨道交通疫情期间短时客流预测

团队研究成果|基于物理信息引导的突发事件期间的城市轨道交通短时OD需求预测

我知道你在看哟