在城市交通日益復雜的今天，掌握道路的通行速度對于評估路網性能、管理擁堵、規劃路線乃至制定環保政策都至關重要。然而，現實卻給我們出了一道難題：高精度、實時的交通數據往往掌握在少數商業平臺手中，不僅價格昂貴，還受到版權和隱私限制，難以在研究和公共規劃中大規模、長期使用。傳統的傳感器監測雖然準確，但部署和維護成本高，難以覆蓋復雜的城市路網，尤其是在非主干道和城市邊緣區域，數據“盲區”廣泛存在。這導致了一個困境：我們急需數據來理解城市交通，但數據本身卻成了稀缺資源。為了打破這一僵局，研究人員將目光投向了開放數據。有沒有可能，利用那些免費、公開的地理信息和街景圖片，來“猜”出那些沒有觀測數據的道路的交通速度呢？

近期，一篇發表在《Computers, Environment and Urban Systems》期刊上的研究給出了一種創新的解決方案。該研究團隊開發了一個名為“集成開放數據與街景影像的城市交通速度分類預測與空間補全框架”。他們不再執著于預測瞬息萬變的連續速度值，而是轉向預測更穩定、更具長期代表性的“速度等級”，這就像是將車速從精確的數字（如45.3 km/h）歸類為“中速”（40-60 km/h）區間，從而增強了模型的魯棒性，也更適用于路徑規劃、排放評估等下游應用。研究以德國柏林為案例，巧妙地將多源開放數據“編織”在一起：利用OpenStreetMap(OSM)獲取道路類型、限速等基礎交通特征，以及交叉口、交通信號燈、辦公點密度等道路環境特征；通過谷歌街景(Google Street View)采集了超過8萬張全景圖片，并利用深度學習模型（DeepLabV3+）進行語義分割，從中提取了表征街道視覺環境的三個關鍵指標：圍合度(Enclosure)、可步行性(Walkability)和意象性(Imageability)。這些特征共同構成了模型理解每條道路“身份”和“環境”的多維視角。而Uber Movement平臺提供的2019-2020年部分道路的平均速度數據，則作為“標準答案”（監督學習標簽），用于訓練模型。盡管這部分有標簽的數據僅覆蓋了柏林約28%的路段，但研究團隊相信，已觀測和未觀測道路在環境和視覺特征上存在相似模式，這使得模型能夠“舉一反三”，將學到的規律推廣到全城。

為了從這些復雜的空間數據中學習，研究采用了圖神經網絡(Graph Neural Network)中的GraphSAGE模型。與傳統的將每條路視為獨立個體的方法不同，GraphSAGE將整個城市路網視為一張“圖”，每條路是一個“節點”，相連的道路構成“邊”。這樣，模型在預測某條路的速度時，不僅考慮這條路自身的特征，還能聚合其相鄰道路的特征信息，從而捕捉路網固有的拓撲結構和空間依賴性。這更符合交通流在現實中相互影響的本質。

研究團隊設計了四組對照實驗來探究不同特征組合的貢獻。結果清晰地展示了一條性能提升的路徑：僅使用道路類型、限速等常規交通特征的基線模型，其F1分數為0.6228。當單獨加入街景影像(SVI)視覺特征時，性能提升有限甚至略有波動，這表明視覺信息單獨作用時可能攜帶冗余或噪聲。然而，當加入OSM環境特征（交叉口、信號燈數量等）后，模型性能實現了顯著飛躍，F1分數提升至0.6540。最終，將常規特征、OSM環境特征和SVI視覺特征三者融合的“全家桶”模型取得了最佳性能，F1分數達到0.6917，精確率和召回率也分別提升了11.17%和8.00%。這強有力地證明了多源數據融合的價值——客觀的OSM環境特征與主觀的SVI視覺感知特征形成了有效互補，共同增強了模型對不同速度等級的辨別能力。

特征分析揭示，在不同情境下，各類特征的貢獻度有所不同。OSM環境特征表現出最高的穩健性和適應性，無論是在夜間、高峰時段，還是在樣本較少的高速度（60-80 km/h）等級下，都能保持穩定的預測性能，是提升模型精度的“主力軍”。而SVI視覺特征則扮演了“最佳輔助”的角色，雖然單獨使用效果不突出，但與其它特征結合后，能提供獨特的補充信息，尤其是在識別交通擁堵時段（早、晚高峰）的復雜狀態時有所幫助。

模型在各個速度等級上的表現不盡相同。在樣本量最大的20-40 km/h和40-60 km/h中速等級上，模型表現最佳，全特征模型的F1分數分別達到了0.7483和0.6899。對于樣本極少（占比不足10%）的0-20 km/h低速等級（通常代表擁堵或特殊情況），僅靠常規或視覺特征模型完全無法識別（F1=0），但引入OSM環境特征后，F1分數提升至0.1265，融合全部特征后進一步提升到0.2115。這表明，盡管預測極具挑戰，多源數據融合對于理解極端低速情況仍有積極意義。

將訓練好的模型應用于柏林全城所有路段進行預測，生成了完整的城市速度等級地圖。結果顯示，預測結果具有合理的空間格局：市中心主要由20-40 km/h的低速路段構成密集區；隨著與市中心距離增加，預測速度逐漸升高，40-60 km/h路段主要分布在外圍次級道路，60-80 km/h路段則集中在高速公路；0-20 km/h的擁堵路段較少，多出現在主要交叉口附近，符合實際情況。此外，研究還比較了有標簽路段和無標簽路段在各類特征上的分布，發現兩者在道路物理屬性、環境特征和視覺指標上具有高度一致性。這種特征分布的相似性，為模型能夠從有限的觀測數據中學習，并可靠地泛化到全城未觀測區域提供了關鍵依據，支持了模型的空間補全能力。

綜上所述，這項研究成功構建并驗證了一個基于開放數據的、可擴展的低成本城市交通速度推斷框架。其核心結論在于：第一，整合多源開放數據（特別是OSM環境特征與SVI視覺特征）進行特征融合，能有效提升交通速度分類預測的準確性，并為理解速度差異提供了可解釋的維度。第二，采用GraphSAGE圖神經網絡模型，能夠有效利用路網的拓撲結構信息，實現對稀疏觀測數據的空間補全，生成完整的城市級速度分布圖。第三，該框架打破了傳統方法對密集歷史觀測數據的依賴，證明了僅依靠靜態的環境和視覺特征來推斷典型長期交通模式的可行性。

這項研究的意義重大。在實踐層面，它為數據稀缺的城市和地區提供了一種經濟、可行的交通監測替代方案，其成果可直接支持開源路徑規劃（如OpenRouteService）、交通排放評估和政策制定等應用。在方法論層面，它展示了將地理信息系統(GIS)、計算機視覺與圖深度學習相結合解決復雜城市問題的巨大潛力，為未來的智慧城市研究和“環境驅動”的交通建模開辟了新方向。盡管模型在極端低速情況下的預測仍有提升空間，且在不同城市間的可遷移性有待進一步驗證，但這項研究無疑為利用日益豐富的開放數據資源，以更低的成本和更高的可擴展性理解我們的城市，邁出了堅實而富有啟發性的一步。