新冠疫情深刻影响了城市居民的出行行为，使交通模式在不同阶段呈现出显著差异，也使传统的交通拥堵预测方法在疫情时期面临更大的不确定性。疫情相关指标（如新增病例、住院率）与天气、季节性因素共同作用，加剧了交通流的复杂性。因此，构建能够适应疫情动态变化、并具有较强可解释性的预测模型，对交通管理和应急决策具有重要意义。

新加坡国立大学的刘扬副教授及其研究团队以美国加州阿拉米达县为案例，构建了一个结合多源数据的可解释机器学习（Interpretable ML）预测框架，系统分析了封锁前、封锁期与封锁后三个COVID-19时段的交通拥堵变化。

研究首先利用递归特征消除（RFECV）筛选关键外生特征，再分别训练与优化多种机器学习模型，包括SVR、MLR、RNN和LSTM，以比较不同模型在疫情时期的预测性能。为提升模型透明度，研究进一步采用集成梯度（IG）对深度模型进行归因分析，并使用SHAP探究传统模型中特征贡献的变化，从而揭示疫情因素对交通拥堵的影响机制。

研究表明，双向LSTM（Bi-LSTM）在三个疫情阶段几乎表现最佳，这得益于它能够有效捕捉疫情下交通模式的前向与逆向时间依赖结构。IG的多基线分析显示，深度模型的解释结果具有较高稳健性；而SHAP分析揭示，新增COVID-19病例及相关医疗指标在疫情期间显著影响居民出行强度与拥堵程度。整体结果表明，将疫情指标纳入交通预测能够有效提升模型性能，并为交通部门在公共卫生危机期间制定精准的交通管理策略提供数据支撑。本研究还具有良好的可扩展性，可推广至不同地区与城市，以进一步提升城市交通系统在类似危机中的韧性。

未来的研究可进一步将该预测框架扩展至更多国家和地区，以系统评估模型在不同城市环境与交通体系下的通用性和适用性。同时，可在更大尺度上纳入跨城市、跨区域或跨走廊的时空交通动态，以深化对交通拥堵演化机制的理解。此外，引入更多数据类型，如基于人群流动的大数据，将有助于进一步提升模型的预测精度，尤其是在 COVID-19 及其他突发公共卫生事件期间，为解释交通变化与提高模型稳健性提供更有力的支撑。

基于NRMSE的机器学习模型在不同时间段的比较

了 解 更 多

 本文链接 

https://doi.org/10.1016/j.commtr.2025.100226

查看全文

引用本文 

Zhu, D., Ng, C., Xie, L. T., Liu, Y., 2025. Interpretable machine learning for traffic congestion prediction: Unveiling the impact of different COVID-19 periods. Communications in Transportation Research, 5, 100226. https://doi.org/10.1016/j.commtr.2025.100226

or

Zhu, D., Ng, C., Xie, L. T., Liu, Y., 2025. Interpretable machine learning for traffic congestion prediction: Unveiling the impact of different COVID-19 periods. Commun Transp Res 5, 100226. https://doi.org/10.1016/j.commtr.2025.100226

• 中国大陆第三种SCIE/SSCI双收录期刊

• 中国大陆SCIE/SSCI双收录期刊中影响因子最高的期刊

• 中国大陆SSCI收录期刊中唯一一本学科排名第一的期刊（IF14.5，位居交通学科第一）

数据库收录

• SSCI、SCIE

• Scopus

• Ei CompendeX

• DOAJ

• OARL

• TRlD, the TRlS and lTRD Database

• 中国科学院期刊分区表：大类 工程技术大类1区Top期刊；小类 交通运输1区、运输科技1区

• 中国科技核心期刊CSTPCD

• 中国科学引文数据库CSCD

• 全球OA期刊索引（OA Journal Index，OAJ）

• 公路运输领域高质量科技期刊—T1级

• 《科技期刊世界影响力指数（WJCI）报告》Q1区

重要项目

• 入选“中国科技期刊卓越行动计划二期”英文梯队期刊项目

• 入选北京市2024年度支持高水平国际科技期刊建设-强刊提升项目

• 入选2022年中国科技期刊卓越行动计划高起点新刊项目

学术影响力

• 影响因子（2025年6月公布）达14.5，位居TRANSPORTATION（交通）学科全球61种期刊榜首

• 2024年CiteScore为19.9，同比增长31%，在Control and Systems Engineering、Decision Sciences (miscellaneous)、Transportation三个领域全部进入前5%，均稳居Q1区

• 入选“2024中国最具国际影响力学术期刊”（自然科学与工程技术·英文）

国际化程度

• 国际论文占比70%，吸引了国内外几乎所有交通领域顶级团队的投稿

• 论文被72个国家/地区作者引用，引用本刊最多的为Transportation Research Part E 等本领域顶刊，自引率仅3.6% 

• 国际下载量占89%，主要集中在美国

• 编委会汇聚全球20个国家的55位专家，其中69%来自海外，包括13位各国院士

• 作者来自全球21个国家和地区的顶尖院校，包括MIT、Stanford、UC Berkerley、Duke、清华大学、浙江大学、东南大学、北航、东京大学、新国大、港大、港科大等