数字孪生—A digital twin framework for urban parking management and mobility forecasting-171主机测评

🌟🌟 欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。

🚀 探索专栏：学步_技术的首页 —— 持续学习，不断进步，让学习成为我们共同的习惯，让总结成为我们前进的动力。

🔍 技术导航：

人工智能：深入探讨人工智能领域核心技术。
自动驾驶：分享自动驾驶领域核心技术和实战经验。
环境配置：分享Linux环境下相关技术领域环境配置所遇到的问题解决经验。
图像生成：分享图像生成领域核心技术和实战经验。
虚拟现实技术：分享虚拟现实技术领域核心技术和实战经验。

🌈 非常期待在这个数字世界里与您相遇，一起学习、探讨、成长。不要忘了订阅本专栏，让我们的技术之旅不再孤单！

💖💖💖 ✨✨ 欢迎关注和订阅，一起开启技术探索之旅！ ✨✨

文章目录

1. 背景介绍
- - 1. 数据统计模块（Data Statistics）
  - 2. 预测分析模块（Predictive Analytics）
  - 3. 模拟引擎模块（Simulation Engine）
- 结果分析：统计输出与分布特征
- 交通执法人员（Agents）排班自动化
- 预测分析：停车计费交易、收益与街道占用率预测
- 场景模拟与假设情境（What-if）分析
- - 临时道路或区域关闭模拟
  - 多层停车设施建设模拟
  - 连续降雨天气对占用率的影响
  - 连续降雨天气对占用率的影响（续）
- 框架平台演示与部署
- 讨论与总结
- - 排班调度与预测的结合价值
  - 自适应与反馈机制
  - 向网络化智能系统演化
- 可扩展性与智慧城市集成能力
- - 向智慧城市生态系统的集成扩展
- 应用价值与挑战展望
- - 面临的主要挑战包括：
- 框架拓展路径
- - 更深入的模拟机制
  - 个性化与自适应排班
- 集成交通流数据与 ZTL 策略评估
- 实时能力与反馈闭环展望
- 未来演进方向
- 方法（Methods）
- - 问题建模与系统视角
  - 数据来源概览（Data Sources Overview）
  - - 1. 基础设施与传感器数据
    - 2. 执法行为数据
    - 3. 行政与法规数据
    - 4. 上下文数据（Contextual）
    - 5. 环境与气象数据
  - 数据预处理
  - - 数据标准化与同步
    - 清洗流程与噪声处理
  - POI 嵌入建模（POIs Embedding）
- 街道占用率计算（Streets Occupancy Rate）
- 框架架构组成（Framework Architecture）
- - 数据统计模块（Data Statistics）
  - - 初步统计分析包括：
    - 区域定义：
- 执法数据与绩效分析（Predictive Analytics）
- - 核心绩效指标（Key Performance Indicators, KPIs）
  - - 分析目标：
    - 统计计算方法详见补充材料第 2B 节。
  - 月度统计指标：
  - 绩效评分公式：
- 基于线性模型的执法人员排班生成（Linear Model for Agents’ Shift Calendar）
- 基于深度学习的预测模型（Deep Learning-based Prediction Model）
- 模型验证与长期预测稳定性分析
- 仿真引擎与输入数据构建（Simulation Engine & Input Construction）
- 生成模型架构：CVAE-WGAN（Generative Model: CVAE-WGAN）
- - 模型结构包括：
- 数据与代码可用性（Data and Code Availability）

1. 背景介绍

Piccialli F, Amitrano S, Cerciello D, et al. A digital twin framework for urban parking management and mobility forecasting[J]. Nature Communications, 2025, 16(1): 9400.

🚀以上学术论文翻译由ChatGPT辅助。

快速的城市化与人口增长给城市出行管理带来了重大挑战，例如交通拥堵、公共交通效率低下和环境污染。本文提出了一种用于城市停车管理与出行预测的数字化框架的开发与实现。该框架融合了广泛的历史与实时数据，包括停车计时器交易记录、收入记录、街道占用率、停车违规行为，以及基于传感器的停车位使用情况。此外，数据还涵盖天气条件、时间模式（如工作日与高峰时段）以及执勤人员的轮班时间表。

在数据分析阶段，采用描述性统计方法识别关键模式；在预测阶段，使用时空身份（Spatial-Temporal Identity）模型；在生成阶段，采用条件变分生成对抗网络（Conditional Variational Generative Adversarial Network）来构建数字孪生体。该算法能够预测停车需求，并对空间规划与资源分配进行数据映射。此外，生成式人工智能模型的集成使得可以生成现实的“假设情境”，用于在现实部署前虚拟测试出行策略。

研究结果表明，该框架具有提升城市出行管理水平的潜力，尤其在优化停车计时器布局、减少低效配置和提升通达性方面表现突出。在意大利卡塞尔塔市（Caserta）真实数据上的验证显示，该框架具有较强的鲁棒性和适应性。不过，要充分发挥其潜力并保障城市规划的可持续性，还需扩大数据集规模并进一步优化部分组件。

快速城市化进程与日益复杂的城市基础设施共同导致了城市出行管理中的诸多重大挑战。全球城市正面临交通拥堵、公共交通系统效率低下及环境污染等问题，这些问题阻碍了城市运营效率并降低了居民生活质量。这些挑战凸显了亟需通过先进技术手段来优化城市系统、提升城市生活条件的创新解决方案的紧迫性。

智慧城市是解决此类问题最具前景的方法之一。它们通过数字技术、数据与创新方案，创造出更高效、可持续且宜居的环境。例如，智慧城市部署先进的监测与管理系统来优化公共服务，包括街道照明、垃圾收集、公共交通与供水网络。关键技术包括物联网（IoT）传感器、5G网络连接与基于云的平台，这些技术使得实时数据的采集、分析与共享成为可能，从而改进城市决策与服务效率。

此外，智慧城市还重视环保发展举措，如可持续的公共交通系统、共享出行服务、以及鼓励减少私家车依赖的城市规划方式。空气质量监测系统有助于污染缓解，绿色空间的建设以及可再生能源的融合也进一步支持环境影响的最小化。这些相互关联的举措体现了智慧城市如何在推动技术发展的同时，兼顾环境与社会福祉。

在这一领域中，最具变革性的技术之一是数字孪生（Digital Twin, DT）。DT 是现实中物体、系统或过程的虚拟复制体，旨在监测、模拟和优化其物理对应体的行为与性能。它集成了由传感器采集的实时数据、分析模型与高级算法，支持预测性分析、模拟以及主动干预。DT 通过与物理世界的实时连接获取数据，从而不断更新虚拟模型的状态，这使得用户无需直接干预现实系统即可测试假设情景、评估变化影响与预测潜在问题。DT 与其物理体之间可双向反馈，形成持续的闭环系统。

DT 已广泛应用于工业、航空航天、汽车、城市管理、医疗健康、能源与可持续发展等领域。在城市出行场景中，数字孪生可构建城市基础设施的动态实时数字表示。近期研究展示了其在城市规划与基础设施管理中的灵活性，例如提升能源系统效率与可持续性、在灾难管理中通过场景模拟增强应急准备能力。

在智慧出行中，DT 可通过整合交通传感器、公共交通时刻表与环境数据，实现精细模拟与实时数据融合，从而优化交通流、减少拥堵并降低排放。此外，DT 可提升自动驾驶网络的表现，通过实时交通与气象更新优化路径规划，降低能耗。

停车管理是城市出行的关键组成部分，直接影响交通流、环境影响及整体城市效率。DT 越来越多地被用于优化停车位利用率、监控违规行为与简化执法流程。例如，在智慧城市中的一个地下停车场中开发的 DT 系统，结合了无线传感器网络与建筑信息建模（BIM）技术，有效提升了环境管理与运营效率，实现了基于实时需求与条件的动态停车资源分配。

执法在保障交通与停车合规性及提升公共安全方面也扮演着关键角色。DT 为执法机构提供了有价值的工具，使其可进行实时操作追踪与分析。通过整合监控摄像头、交通传感器与社交媒体平台的数据，DT 可增强态势感知并支持对犯罪行为的主动响应。

尽管 DT 在智慧出行中展现出巨大潜力，但当前研究仍存在若干挑战与局限：

子系统孤立建模问题：许多 DT 实现仅聚焦单一子系统，未处理城市出行组件之间的系统性依赖关系，从而限制了综合决策支持能力。这亟需更强的数据融合技术与标准化数据格式。
可扩展性问题：随着设备与数据源数量增加，DT 框架需处理大规模高频数据、更复杂的模型计算与更快的同步需求。
缺乏生成能力：当前很少有 DT 框架具备生成“假设情景”（如基础设施变化、天气事件等）的能力。尽管预测性 DT 越来越常见，但能在反事实条件下合成合理未来情境的生成模块仍然稀缺，而这对规划与政策评估至关重要。

为弥补上述空白，我们提出了一种面向城市停车管理与出行预测的数字孪生框架，并在意大利卡塞尔塔市进行了实地测试。该框架建模了城市出行系统间的耦合关系，融合来自各子系统（如停车计时器、停车位、执法活动、环境传感器）的实时数据，通过预测分析增强城市规划者的决策能力，并生成用于评估潜在政策影响的场景数据。

本研究展示了 DT 在改善出行与城市规划方面的潜力，为政策制定者提供可操作的决策支持，助力构建更智能、可持续的城市环境。框架采用先进的人工智能技术，增强了 DT 的模拟与预测能力，超越了文献中常见的概念验证模型。

该框架包含三个核心组成部分：

1. 数据统计模块（Data Statistics）

对停车计时器、传感器、环境监测系统等来源的历史与实时数据进行全面分析。利用机器学习算法识别关键模式、异常与相关性，为后续的预测与生成任务奠定数据基础。

2. 预测分析模块（Predictive Analytics）

使用机器学习与深度学习方法，预测关键城市指标，如停车需求、交通流量与收入趋势。该模块对数据中的空间与时间依赖性建模，输出精准预测结果，支持城市管理者对潜在拥堵点、收入波动与环境影响的预判。

3. 模拟引擎模块（Simulation Engine）

框架中最具创新性的部分。采用生成式人工智能方法，如条件生成对抗网络（CGAN）与变分自编码器（VAE），模拟多样而真实的城市出行情景，例如极端天气、道路封闭或新增停车场等变化。所生成的合成数据保留真实数据的空间与时间相关性，支持稳健的情景测试。

通过上述三大模块的协同，该框架不仅能精确刻画城市出行的当前状态，还具备显著的经济与环境效益：

通过优化出行与停车管理，减少拥堵；
降低城市运营成本；
提升资源配置效率；
减少不必要的车辆流动，降低污染物排放；
改善空气质量。

这与联合国可持续发展目标（SDG）中第11项“可持续城市与社区”（Sustainable Cities and Communities）的目标高度一致。

结果分析：统计输出与分布特征

本节呈现数字孪生框架三大组成部分的关键发现。统计分析在理解城市出行动态方面发挥了重要作用，提供了对停车资源使用与用户行为的深入洞察。通过对交易分布、停车占用率以及记录的违规行为进行分析，识别出所研究城市环境中重复出现的模式与特定问题。

见图 2d, 2e 所示，展示了工作日与周末在付费时段的使用模式差异。工作日的停车交易更为频繁且波动更大，特别是在

−

10{-}12

$10 - 12$ 点和

−

16{-}18

$16 - 18$ 点形成峰值，反映了通勤与日常活动影响。而假日期间的使用更为均匀，呈现出中午逐步增加、晚间稳定分布的特征。

卡塞尔塔市被划分为两个区域：中心区与边缘区，两者设定了不同的停车费率。这些区域进一步划分为更小的子区域，便于将执法人员（以下简称为 agent）分配至具体地点。图 2a 展示了城市分区的可视化结构，该划分也支持基于地理位置分析居民行为模式。

停车位占用分析显示出显著的空间与时间变化（见图 2b, 2c，分别展示中心区与边缘区在工作日与周末的占用情况）。不仅工作日与周末之间存在差异，不同区域间也呈现出明显区别。中心区利用率更高，其第

$75$ 百分位数临界值约为

0.6

$0.6$ ，远高于边缘区。这一差异与办公场所、商业设施和旅游景点的空间分布相关，并通过 Granger 因果检验证实：活动密度的时间先行性优于停车占用率。

两个区域在周末的占用率均较工作日下降，边缘区的下降更为显著，原因可能在于其非工作时间吸引力下降。相比之下，中心区虽然也略有下降，但在周末仍维持较高占用率，尤其是在餐饮、购物与文化娱乐区域附近。

此外，外部因素如天气状况、空气质量、兴趣点分布及本地活动等，对停车使用与交易模式产生重要影响。在初步分析中，我们探索了停车计费交易量与空气污染水平的相关性，以评估交通流对空气质量的潜在影响（见图 3c，展示交易与空气质量变量的相关热力图）。

下一步分析了天气与交易之间的关系。图 3a 和 3b 展示了两种常见恶劣天气影响：

图 3b：高交通区（如学校、医院、办公区）停车需求显著上升；
图 3a：居民区停车需求下降，原因在于服务设施相对较少。

这一现象通过相关系数进行量化，并在多个“雨天”情境的 What-if 模拟中得到验证。

进一步分析城市事件相关数据。图 3d 展示了城市事件如何影响出行：在活动发生当日，事件附近区域内的停车交易总量显著上升，增长幅度根据事件类型有所不同。每类事件在图中单独使用对应的时间窗口展示，因此

$y$ 轴比例不统一。

另一个分析探讨了总停车占用率与违规停车率之间的关系。结果显示，不同区域的违规停车比例差异明显，区间在

24.6

24.6\\%

$24.6%$ 至

35.5

35.5\\%

$35.5%$ 之间（见图 2f，展示各区域合法与违规占用率对比）。这表明高需求区域倾向于出现更多违规停车，虽符合预期，但对识别问题热点区域具有重要意义。

此外，我们分析了违规停车率与罚单发放的关系。Mann-Kendall 趋势检验揭示出二者之间的负相关：在违规率上升的区域与时段，罚单发放数量反而减少，反之亦然。图 2h 展示了该现象在不同时间段的具体表现，尤其是在早晚时段。下午也观察到类似趋势，但在低违规指数区域的样本点分布较少。图 2g 的负相关性图进一步证实了罚单数与违规率之间的负相关关系。

这些分析结果为理解城市出行动态提供了数据支撑，亦为制定有针对性的干预策略与可持续政策奠定基础，最终造福市民与城市管理者。

交通执法人员（Agents）排班自动化

负责维护停车秩序的执法人员（agents）在城市管理中扮演关键角色。实现其排班自动化是一项复杂挑战，需综合考虑运营调度、绩效指标与工作负载公平性等因素。

我们的核心目标是确保 agent 在每日、每周、每个区域的工作分配均衡，从而高效覆盖所有需监管区域。自动排班系统基于对关键绩效指标（KPIs）的深入分析而开发，包括：

区域覆盖率；
合同规定工时的执行情况；
每班任务完成情况。

同时，我们还分析了停车高峰时段与违规行为分布，以识别最需重点监管的时间与区域。基于这些数据，我们设计了一套定制的排班算法，在满足运营约束的同时，最大化巡逻效率。

该算法可自动生成每周排班计划（见图 4e 示例）。生成的排班严格遵循每位 agent 的劳动合同要求，涵盖：

每周工作小时总量；
每周工作天数与休息天数；
每日最大工时限制。

此外，系统还确保工作负载在 agent 之间均衡分配，避免过度负荷，同时维持运营效率。系统保障在付费停车活跃时段内各区域的连续巡逻，尤其关注高使用率或高违规率时段。

该自动化排班系统具备动态适应能力，能快速响应停车模式变化或突发事件，及时调整排班方案。

预测分析：停车计费交易、收益与街道占用率预测

停车计费交易量、收益和街道占用率的预测分析，是构建更高效、数据驱动的城市出行管理策略的关键组成部分。通过引入机器学习（ML）与深度学习（DL）模型，我们挖掘出隐藏模式并预测未来行为，为资源规划提供有价值的洞见。

与基础描述性统计不同，预测模型的采用使我们能够将当前条件推演至未来，并基于复杂的交互因素估计关键变量的演化趋势，这些因素若无高级分析方法是难以独立提取的。

提升预测质量和精度的关键因素，是通过数据融合集成了来自多源异构数据的大量信息。除停车计费器与历史占用记录外，我们还引入了上下文信息，如兴趣点（POIs，例如商店、餐馆、政府办公区与旅游景点），以及展览、音乐会、周末市集等计划性事件的调度信息。这些 POIs 与事件日历的详细描述见“方法”章节。

该综合数据集使模型能够识别并分析人类活动模式与停车基础设施使用之间的相关性。预测结果强调了 POI 与事件位置对提升出行管理效果的重要性。例如，靠近旅游景点的位置对占用率有显著影响，即使是短距离也存在明显差异。同样，一场临时音乐会可在中心广场引发特定时段与区域的停车需求高峰，并对邻近区域产生连锁效应。

此外，预测模型揭示了对 POIs 与事件的地理位置、时间变量（如星期几、一天中的时段）以及天气条件等多因素的强依赖性。这些因素深化了我们对市民行为的理解，揭示了占用率与交易量如何受时间模式与天气变化影响。

为定量评估预测性能，我们报告了关键指标：均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）与决定系数（

R^2

$R^{2}$ ）。所有区域的指标详见补充材料表格 S5 与 S6，涉及三个目标变量：交易数量、交易金额与街道占用率。

平均而言，模型在交易金额预测上的误差最低（

3.87

−

MSE = 3.87 \\times 10^{-3}

$MSE = 3.87 \times 1 0^{- 3}$ ，

3.52

−

MAE = 3.52 \\times 10^{-2}

$M A E = 3.52 \times 1 0^{- 2}$ ，

5.91

−

RMSE = 5.91 \\times 10^{-2}

$RMSE = 5.91 \times 1 0^{- 2}$ ），而占用率与交易数量的预测在各指标上表现均衡。结果显示，在中心区与边缘区均实现了稳定可靠的预测精度，验证了本框架的可行性。

图 4b–d 展示了预测值与真实值之间的对比，分别对应交易量、收益与占用率。阴影区域表示真实值区间（最大值与最小值），用于展示系统的自然波动范围。图表按地理区域分别绘制中心区与边缘区的预测表现。

此外，为评估模型中各嵌入向量的贡献，我们进行了消融实验，分析了不同变量对预测精度的影响程度。完整分析见补充材料第 3E 节。

这些预测分析对城市出行管理带来直接改进。一方面，收益预测可辅助停车费率优化，平衡不同区域的停车需求分布；另一方面，占用率预测为出行政策设计（如保留车位系统、动态分配策略）与基础设施干预提供关键支持。

模型的准确性与鲁棒性进一步验证了数据驱动方法在城市出行管理中的有效性，为后续集成实时数据、实现动态自适应预测系统奠定了基础。

总结：预测分析结果突出了本框架在构建更智能、更可持续出行系统方面的潜力。

场景模拟与假设情境（What-if）分析

场景模拟是数字孪生框架中最先进且具战略意义的功能之一。该功能可在受控虚拟环境中评估各类决策与条件对城市出行系统的潜在影响，从而降低仅基于假设实施干预所带来的风险与成本。

通过融合多源数据——包括停车占用预测模型、经济收益流、天气情况与事件和兴趣点相关的时空变量——框架可精细模拟复杂、逼真的出行情境。

我们模拟了三个关键场景：

临时道路或区域关闭；

新建多层停车设施；

连续降雨天气下的区域占用变化。

模拟的可靠性依赖于数字孪生框架中生成模型所产生的合成数据质量。为此，我们对生成模型进行了全面评估，包括：

分布分析；
结构嵌入（如降维可视化）；
统计相似性指标；
下游任务性能（使用 Train-on-Synthetic & Test-on-Real，TSTR 方法）；
针对多个代表性 What-if 情境的干预效果定量评估。

完整评估内容详见补充材料第 3F 节，涉及在不同情境下对交易量与占用率的影响指标分析。

临时道路或区域关闭模拟

由于活动、施工或突发事件导致的临时道路或区域关闭，是城市出行管理的复杂场景。框架支持对这类事件的模拟，可预测其对交通流与周边区域停车占用率的影响。

图 5c, 5d 展示了模拟特定区域关闭后的影响：该区域关闭后，交通立即向相邻区域重新分布，导致局部拥堵加剧与停车需求激增（见图 6）。

这种重分布常会使未设计承载大量车辆的区域压力陡增，引发连锁式拥堵与车位短缺。雷达图与时间序列分析揭示了高占用率与交通恶化之间的反馈回路。每周模拟支持对长期或反复关闭的累积影响进行细粒度评估，帮助规划者测试不同缓解策略。

凭借这些洞察，城市规划者可优化交通绕行路径、资源调度方式，并合理安排关闭时段以减少干扰，从而增强城市出行系统的韧性，应对计划内外的扰动。

多层停车设施建设模拟

为评估在战略位置新建多层停车设施的中长期影响，我们构建了该情境模拟。图 5e 显示，新增车位显著缓解了高需求区域的拥堵，同时提升了整体出行系统效率。

模拟表明，该干预影响不仅限于设施周边区域，还会引起停车需求向邻近区域重分布。雷达图显示多个区域的高峰占用率被显著平滑，停车资源利用更均衡。

尤其在商业区或大型兴趣点附近建设多层停车楼，可有效容纳大量车辆，从而缓解潜在拥堵。将停车设施布局于关键需求源附近，有助于提升可达性并最小化交通干扰。

连续降雨天气对占用率的影响

我们模拟了连续三天降雨情境，以评估天气条件对停车行为的影响。通过将气象数据输入生成模型，分析了不同城市区域停车需求的变化以及用户行为的响应模式。

连续降雨天气对占用率的影响（续）

模拟结果显示，在连续降雨期间，停车需求发生了波动，这表明天气确实对停车占用趋势产生影响（见图 5f，展示连续降雨场景模拟）。然而，这些变化并不呈现出明显的线性趋势，因此我们进一步深入研究了城市区域的空间分布结构，目标是判断这些需求变化是否与商业中心、学校、休闲设施等关键 POIs 的分布密度相关。

该方法帮助我们捕捉了恶劣天气条件与停车动态之间的微妙关系，提供了关于降雨如何影响出行模式与驾驶者决策过程的有价值洞见。

框架平台演示与部署

本框架已实现全功能的交互式平台，作为 DT 系统的运行演示，提供了其在真实城市出行管理中支持能力的实证证明。与仅停留在概念验证（Proof-of-Concept）的多数研究不同，我们的 DT 框架已在意大利卡塞尔塔市的真实数据上完成部署与验证，融合了先进的预测、生成与优化模块于一体。

平台通过 GitHub 提供可下载版本以支持复现与外部验证。基于网页的交互界面由以下核心模块组成：

城市交互地图：动态地理可视化界面，允许用户浏览卡塞尔塔市内的各个区域。实时环境数据（如天气、空气质量）通过 API 动态调用并叠加展示，支持上下文感知的决策。

数据分布与统计可视化：用户可在“Data Distribution”和“Data Statistics”标签页下浏览核心城市出行指标，支持热力图、散点图等动态图表展示，分析时空趋势与相关性。

Agent 排班优化：“Agents Calendar”模块展示基于线性规划模型生成的执法人员周排班表，符合劳动约束条件，并动态响应占用率与违规分布趋势。

预测建模系统：展示多变量时空预测模型，对停车计费交易量、收益与街道占用率进行预测，融合历史与实时数据，支持城市整体与分区级别分析。

生成式 What-if 场景模拟：“What-if Scenarios”模块支持模拟关键干预策略，如临时封路、新建多层停车设施、连续降雨情境等。模拟基于 CVAE-WGAN 条件生成模型，并结合雷达图、时间序列与占用热力图展示时空变化影响。

讨论与总结

本研究结果验证了所提出框架在城市停车资源管理中的有效性。通过融合统计分析、预测建模与模拟引擎三大组件，我们为卡塞尔塔市构建了一个完整的数字孪生系统，标志着城市建模与决策支持系统发展的重要一步。

统计分析模块利用多源数据挖掘城市动态模式，是更复杂建模方法的基础。分析揭示了中心与边缘区域在停车计费器与车位使用上的差异性，中心区占用率更高，周末占用率普遍下降，边缘区域下降更为显著。区域间的违规率与罚单数量呈负相关，表明执法强度与合规性存在显著关联。
停车需求还受天气、POIs 与事件影响。例如，在暴雨天气下，靠近 POIs 区域的占用率上升，而其他区域下降；本地事件也会使周边交易量显著上升。这些现象突显了将上下文信息纳入城市资源规划的重要性。

为避免因变量解释产生歧义，我们采用多元验证策略：

使用 Spearman 相关与 Mann-Kendall 检验评估外部变量（如降雨、POI 密度、城市事件）与停车需求之间的统计关系；
使用 Granger 因果检验评估变量间的时间先行性；
在预测模型中开展特征消融分析，移除上下文特征后模型性能显著下降，进一步佐证其因果作用。

排班调度与预测的结合价值

本研究中的另一重点是 Agent 排班的自动化。该系统在保障个体工作约束的同时，实现了全市范围内任务的公平分配。目标是在高占用或高违规区域最大化监管覆盖率。

在统计分析基础上，我们构建了可预测交易量与收益的预测模型，整合气象、事件与 POIs 信息，以街道为单位估计停车占用情况。这一能力为行为模式建模与精准调度提供了可靠依据。

尽管当前聚焦于市级高分辨率数据的城市内部动态，模型也已部分捕捉如高峰期跨区域车流等外部压力。此外，框架的模块化设计支持未来集成主干道流量与公共交通信息，推动向跨模态仿真与区域级协调过渡。

我们强调，本研究的贡献不在于提出新的架构，而是将已有的 STID 模型嵌入完整 DT 框架中，并结合多变量预测、生成模拟与运营决策支持，实现实际部署。

预测模型也为生成模块提供支持，能够基于不同输入模拟多种结果情境。通过这种仿真方法，我们整合了多类时空变量，实现对决策影响的全局理解。

自适应与反馈机制

为提升系统在长期中的稳健性与适应性，我们提出周期性重训练机制，使预测与生成模块能适应新模式、政策变化或突发事件。例如：

模型每月重训练一次；
推理操作每日执行一次，从 API 拉取最新数据；
支持对高峰期变化、季节动态、道路政策更新等持续适配。

目前，系统虽未形成完全闭环反馈机制（即模型输出直接调控物理系统并立即反映至模型中），但已作为人机协同的决策支持工具在运作（如动态排班、政策调整等）。

框架具备拓展能力，可接入控制系统（如电子标识、动态定价），为半自动反馈闭环提供基础。

此外，我们集成了预测误差监控与模型漂移检测机制，确保系统在高波动时段（如节假日、突发事件）仍具鲁棒性。

向网络化智能系统演化

尽管停车管理系统不属于传统“关键基础设施”，其可靠性与安全性对于 DT 系统的广泛应用至关重要。未来拓展方向包括：

引入预测置信区间；
自适应警报机制；
高不确定性情境下的决策安全控制策略。

这些措施将使 DT 更接近真正的网络物理系统（Cyber-Physical System）。

总结：尽管目前尚未构建完整自动闭环反馈，系统已通过月度重训练机制实现了实际意义上的迭代更新。每次干预之后，新数据通过 API 与基础设施系统同步，更新模型以反映用户行为、系统性能与政策变化，实现数据-决策-反馈的实际闭环。

我们构建的 CVAE-WGAN 框架具备强大的生成能力，其条件结构可扩展用于模拟一系列连续决策及其累计影响，推动 DT 系统向长期战略建模与自治管理演进，为未来城市基础设施智能管理奠定基础。

可扩展性与智慧城市集成能力

本框架的可扩展性是其适用于更广泛城市环境的核心前提。尽管本研究聚焦于卡塞尔塔市，但架构设计始终优先考虑模块化、计算效率与横向拓展性。框架支持通过实体级建模实现可扩展的预测与模拟流程，并在数据量增长时支持并行重训练与分布式推理。

为评估当前性能，我们开展了一系列实验，分析训练时间相对于输入规模、时间窗口长度与建模实体数量的变化。结果详见补充材料图 S6，显示每轮训练时间基本线性增长，所有配置下推理时间稳定，验证了系统在城市尺度下的可用性。

框架核心组件天然适用于并行计算，若扩展至更大都市环境无需更改整体结构。这表明当前实现不仅具备现实部署的优势，也为未来拓展做好准备。

我们强调，本研究目标并非提出一套特定城市解决方案，而是构建一个可重用、可迁移的架构，且已基于真实部署进行了验证。虽然未来在大型城市环境中的实地测试将作为独立研究展开，但现阶段结果已表明该框架具备横向扩展能力。

框架中多个设计决策（如基于实体的建模、区域感知的排班调度、外生变量集成等）可自然泛化至其他城市，仅需局部重训练与参数校准即可完成迁移。

向智慧城市生态系统的集成扩展

本框架的自然扩展方向是与智慧城市生态中的其他数字孪生子系统集成。尽管当前系统聚焦于停车管理与本地出行预测，但城市出行本质上与公共交通、交通流、能源使用与共享出行等基础设施域紧密相关。

例如，公交频率提升或新增微出行服务可能直接影响停车需求，从而影响预测与生成模块。我们的架构显式支持这类交互：如公交供给、实时道路状态、能源约束等外生因子可作为上下文嵌入或条件变量集成到预测与模拟流程中。

模块化设计允许逐步集成邻接数字孪生系统，并支持跨子系统的情景评估。

此外，框架还包含通用数据接入、同步与模型编排接口，为未来超越停车管理的场景扩展做好准备。通过抽象核心功能（如数据预处理、推理、资源调度），系统可保持时序分辨率一致性的前提下扩展至其他领域。

这一架构为构建可协同决策的多领域互操作数字孪生系统打下基础。

应用价值与挑战展望

本研究开发的数字孪生系统，作为面向停车管理与本地城市出行规划的决策支持工具，能够在政策实施前进行停车相关情境的模拟与评估，支持运营规划与基于证据的决策流程。尽管当前聚焦于停车系统，但该方法展现出优化资源分配、应对本地挑战的巨大潜力。

面临的主要挑战包括：

数据质量问题：尽管我们通过严格预处理保证数据一致性，但缺乏更精细的环境指标与用户行为数据仍限制了分析深度。未来可通过扩展数据源与接入实时数据流来提升分析粒度。
鲁棒性问题：为应对传感器故障，我们引入了信号滤波与插补机制，使系统在数据间断或故障下仍能保持预测能力。未来版本将引入更先进的异常检测与容错机制，以应对长期传感器退化或大规模中断。
可解释性问题：虽然通过对嵌入变量的消融分析提升了部分模型可解释性，但仍需进一步增强结果对非技术决策者的可读性，以提升信任与推广应用。

框架拓展路径

更深入的模拟机制

未来可集成更高级的模拟方法，如基于 Agent 的建模与系统动力学方法，以探究社会、环境与基础设施因素之间的复杂交互。

个性化与自适应排班

排班系统未来将考虑执法人员的个人偏好（如早班/晚班意愿、周末可用性、请假请求等），构建更个性化、自适应的工作环境。

在人员或时段不足以覆盖全区域的情况下，调度算法会根据历史占用、执法效果与合规水平将资源优先分配至影响最大的区域，确保有限资源产生最大监管效能。

集成交通流数据与 ZTL 策略评估

我们已开始收集限行区（ZTL）内交通流数据，包括合法与非法车辆通行信息，以更全面刻画出行模式，并探讨其调控停车行为、缓解交通拥堵与改善空气质量的潜力。

强调交通数据的原因如下：

初步分析发现交通流量与停车位可用性在时间与空间上高度相关；

交通数据对城市出行规划极具操作性，可用于指导执法策略、定价机制与资源分配。

我们还探索了“ZTL政策”调整的情境模拟，评估其对停车需求、交通行为与整体出行模式的影响。

实时能力与反馈闭环展望

数字孪生系统整合实时数据能力（如停车占用、交通流分析）将进一步提升出行管理效果，包括：

动态资源调度；
更准确的排班；
快速响应城市变化。

系统已具备以小时为单位的时序分辨率，融合停车传感器、计费器、环境与事件数据，实现日常推理更新；每月重训练模型以适应高峰转移、季节波动或城市基础设施更新。

虽然当前系统尚未实现完全自动闭环（即模型预测直接作用于物理系统并立即反馈回模型），但已构建起实用的人机反馈机制，且具备向半自动控制系统扩展的接口能力（如接入动态标志与定价系统）。

我们还整合了模型漂移监控与误差分析机制，以避免高波动场景下预测失效。

未来演进方向

尽管停车系统并非传统意义上的关键基础设施，其稳定性与安全性对数字孪生系统推广仍至关重要。未来版本可进一步增强系统可信度，包括：

引入预测置信区间；
实施自适应报警机制；
高不确定性情境下的容错机制。

最终，CVAE-WGAN 框架的条件生成架构可扩展用于多决策序列的模拟与长期策略评估，使 DT 系统逐步迈向具备递归建模能力与长期决策评估能力的智能自治平台。

总结：

尽管当前尚未完全闭环自动反馈，但系统已通过“干预→数据采集→模型更新”的机制实现实际闭环，并借助 API 与基础设施系统集成，实现模型与行为的共同演化。

本研究提出的模块化、可迁移、实时感知的数字孪生系统，不仅可用于当前的城市停车与出行管理，也为更复杂、多域、可协同的未来城市数字孪生奠定了坚实基础。

方法（Methods）

本节介绍研究的关键技术点，包括所用数据、数据源分析与数据融合过程，并详述构建 DT 框架所用的方法与模型，最后介绍案例实验的配置细节。

问题建模与系统视角

城市出行管理是一个复杂挑战，尤其在中大型城市中，需在满足居民需求、基础设施能力与环境影响之间取得平衡。其主要问题在于：

优化资源分配；
提升服务效率；
缓解交通与污染等外部负效应；
同时保持系统对城市动态变化的灵活适应能力。

为系统性地表述该问题，我们将城市建模为一个动态系统，具有以下要素：

实体（Entities）：系统中的关键元素，如车辆、行人、执法人员、基础设施（停车计费器、车位、传感器等）；
关系（Relationships）：实体间的关联关系，包括城市事件、停车区域使用情况与周边环境交互等；
约束（Constraints）：如限行区、出入时间限制、基础设施容量与环境规章；
目标（Objectives）：减少拥堵与污染、最大化资源利用率、提升用户体验。

该建模框架结合了描述性、预测性与生成性模型，不仅捕捉当前动态，还可模拟未来情景，从而实现对城市出行-基础设施-环境之间复杂耦合关系的整体建模。

数据来源概览（Data Sources Overview）

卡塞尔塔市 DT 框架的构建基于多源、多尺度数据的集成，涵盖操作性、上下文性与环境性数据流，支持对城市出行动态的实时、高保真建模。主要数据类型如下：

1. 基础设施与传感器数据

包括来自停车计时器与车位占用传感器的 IoT 信号（见图 7a、7b），记录实时交易与空间利用情况；
计时器绑定详细交易日志，车位传感器可高频率记录占用状态变化。

2. 执法行为数据

来自执法人员随身 GPS 设备（图 7c），记录其巡逻轨迹、检查车辆、扫描车牌、验证权限（如月票、许可）与开罚单记录；
可用于模拟 agent 部署效果与执法政策的影响（见图 8a）。

3. 行政与法规数据

包括预通知、罚款、许可、订阅等结构化数据，支持合规行为模式与制度影响分析。

4. 上下文数据（Contextual）

使用 OpenStreetMap API 提取并分类兴趣点（POIs），包括医疗、文化、教育、商业与服务设施；
整合了文化、音乐、政府活动的事件日历，附带地理位置与时间戳，用于建模停车行为中的需求突变；
POI 空间分布如图 8b 所示。

5. 环境与气象数据

每小时采集天气数据（温度、降水、风速、湿度）来自 Open-Meteo API；
空气质量指标（PM2.5、PM10、NO₂、O₃）来自欧洲空气质量指数（AQI）。

这些异构数据通过统一的数据预处理与融合流程同步，支持小时至周级的时间分辨率与街道/传感器级的空间粒度。数据源结构、格式、聚合策略等细节详见补充材料。

数据预处理

保证数据准确性与一致性是 DT 框架有效性的基础。预处理流程旨在将原始数据清洗并统一格式，转化为可分析的高质量输入，解决噪声、缺失、重复与不一致等问题。

数据标准化与同步

初始阶段处理多样格式（CSV、JSON、XML）带来的结构差异；
时间分辨率存在差异（如传感器为分钟级，气象为小时级），通过插值与时间聚合实现对齐。

清洗流程与噪声处理

采用统计分析与上下文验证规则剔除异常值；
标准化格式、填补缺失值、移除无效记录；
对交易与车位占用的时间序列数据应用 STL 分解方法，将数据分解为季节项、趋势项与残差项，有助于挖掘潜在模式与提升分析精度（详见补充材料第 2A 节）。

POI 嵌入建模（POIs Embedding）

为提升模型准确性，我们构建了 POI 的潜在表示（latent representation），该过程包括类别编码与 POI 与停车计时器之间的距离编码。

对于每个停车计时器

$i$ ，其关联 POIs 表示为：

{

(

)

∣

…

}

(1)

P_i = \\{ (t_{ij}, d_{ij}) \\mid j = 1, \\dots, N_i \\} \\tag{1}

$P_{i} = {(t_{ij}, d_{ij}) ∣ j = 1, \dots, N_{i}} (1)$

其中：

$t_{ij} tij 为第 i i i 个停车计时器关联的第 j j j 个 POI 的类别；$
$d_{ij} dij 为二者之间的地理距离；$
$N_i Ni 为该计时器关联的 POI 总数。$

为评估地理距离的合理性，我们对比了街道网络下的步行距离，结论见补充材料第 2D 节与表 S3，验证地理距离在知识表示背景下的高效性。

每对

(

)

(t_{ij}, d_{ij})

$(t_{ij}, d_{ij})$ 被映射为数值嵌入向量：

Embedding

(

)

(2)

e_{ij} = \\text{Embedding}_{POI}(t_{ij}, d_{ij}) \\tag{2}

$e_{ij} = Embedding_{PO I} (t_{ij}, d_{ij}) (2)$

具体流程如下：

POI 类别通过嵌入层映射为稠密向量；
距离通过归一化后，使用可学习权重线性变换为向量；
类别嵌入与距离嵌入拼接后输入全连接网络，得到完整的 $e_{ij} eij 表示。$

最终，对于每个计时器

$i$ ，所有 POI 的嵌入被聚合为一个表示整体交互的向量：

Aggregator

(

{

∣

…

}

)

(3)

e_i = \\text{Aggregator} \\left( \\{ e_{ij} \\mid j = 1, \\dots, N_i \\} \\right) \\tag{3}

$e_{i} = Aggregator ({e_{ij} ∣ j = 1, \dots, N_{i}}) (3)$

其中聚合函数可为加权平均、求和或池化操作（如 max pooling），在我们的实现中采用加权平均。

街道占用率计算（Streets Occupancy Rate）

为分析不同街道的车位占用情况，我们为每个街道在每个时间区间计算占用率。本实现中时间区间设为“小时级”粒度，以在时间分辨率与信号稳定性之间取得平衡。

该计算基于对安装在车位上的传感器数据的聚合。这些传感器持续监测车位可用性，提供实时占用状态信息。原始数据经过预处理与筛选，仅保留状态变更为占用（status_change = 1 且 occupied = 1）的有效信号。

接下来，我们对每个车位在每个小时内的占用状态进行分组统计。街道

$i$ 在时间区间

$j$ 内的占用率

R_{i,j}

$R_{i, j}$ 计算公式如下：

∑

occupied

(

)

(4)

R_{i,j} = \\frac{\\sum_{k=1}^{N_i} \\mathbf{1}_{\\text{occupied}}(d_{i,j,k})}{N_i} \\tag{4}

$R_{i, j} = \frac{\sum _{k = 1}^{N_{i}} 1 _{occupied} ( d _{i, j, k} )}{N _{i}} (4)$

其中：

$N_i Ni 表示街道 i i i 的总车位数；$
$\\mathbf{1}_{\\text{occupied}}(d_{i,j,k}) 1occupied(di,j,k) 是指示函数，若第 k k k 个车位在时间区间 j j j 被占用则为 1，否则为 0。$

框架架构组成（Framework Architecture）

数据统计模块（Data Statistics）

本模块作为 DT 系统的首个组成部分，旨在组织与分析数据，提取其间关联关系，为预测建模与优化策略提供支持。

首先，将停车传感器设备 ID 映射至其对应车位。由于设备可能迁移，因此需利用历史数据精确匹配。
接着，过滤重复信息事件，提升分析精度。某些传感器在车辆未停车但仅路过时也会发出信号，因此仅保留状态发生变化、间隔至少为 60 秒的记录。
清除 GPS 坐标异常的错误传感器点。

初步统计分析包括：

停车交易量分布、街道占用率；
使用 STL 分解提取时间序列的季节性、趋势与异常；
应用 Granger 因果检验判断变量之间的预测关系；
使用 Augmented Dickey–Fuller (ADF) 检验判断时间序列是否平稳，以保证预测建模的有效性。

此外，还集成了外部因素（天气、空气质量、POIs、城市事件与节假日），因其对交通与停车动态有显著影响。

环境数据通过 API 同步采集，进行小时采样与归一化；
使用 Spearman 相关性分析处理非线性变量间关系；
分析恶劣天气（暴雨、极端气温）期间对出行与停车行为的影响；
结合事件、POIs 与节假日数据，研究其对停车模式的时空干扰；
比较合法与非法停车行为的占比，使用 Mann–Kendall 趋势检验与 Sen’s Slope 量化非法停车率随时间变化的趋势。

区域定义：

城市分为“中心区”与“边缘区”；
中心区付费时段为：工作日
边缘区为：工作日
时间段划分为：早晨（
每段时间对罚单数量与非法停车指数（定义为非法停车分钟数与车位数比值）应用 Mann–Kendall 检验。

执法数据与绩效分析（Predictive Analytics）

核心绩效指标（Key Performance Indicators, KPIs）

在运营监控与绩效评估中，KPIs 是衡量执法人员效率、可靠性与总体产能的关键手段。包括：

排班依从性；
工作时间管理；
区域覆盖率；
任务完成度。

分析目标：

系统性评估数据，识别高效与低效区域；
为主管提供评估与规划决策支持；
考虑天气等外部变量，保证绩效评估公平性；
激励员工优化排班依从性、区域产出与法规合规度。

统计计算方法详见补充材料第 2B 节。

月度统计指标：

为综合评估绩效，我们计算了每名 agent 在一个月内的统计数据，包括：

排班次数与实际工作班次；
被取消或因数据异常无效的班次；
总工作时长、迟到与早退时间（小时与分钟）；
区域内与区域外的平均步行时间；
区域覆盖度、产出率与违规率等平均值（归一化至
各项任务（检查、警告、残疾人许可、罚单等）平均工作时间。

绩效评分公式：

设定一个综合性绩效评分，用于客观反映每名 agent 的月度贡献：

PerformanceScore

∑

ShiftScores

norm

(

ShiftScore

TotalHours

)

\\text{PerformanceScore} = \\sum \\text{ShiftScores}_{\\text{norm}} + \\left( \\bar{\\text{ShiftScore}} \\times \\text{TotalHours} \\right)

$PerformanceScore = \sum ShiftScores_{norm} + (\overset{ˉ}{ShiftScore} \times TotalHours)$

该方法确保：

班次数少但得分高的人员不会被过度奖励；
取消班次、迟到早退较多的人员在评分中反映出其不可靠性；
每月按“区域维度”计算独立评分，多个区域按工作时长加权分配绩效。

这种机制使组织能够精确识别各区域与各 agent 的贡献差异，为排班优化与绩效管理提供依据。

基于线性模型的执法人员排班生成（Linear Model for Agents’ Shift Calendar）

本 DT 系统被设计用于生成执法人员（agents）的周排班表，目标包括：优化区域覆盖率、实现人员在不同区域间的公平轮换，以及高效管理工作班次。此外，系统在资源分配过程中还以最大化停车收益为目标，同时兼顾运营需求与组织约束。另一项核心目标是提升单个执法人员的绩效，确保其能力在排班过程中得到充分发挥。

排班问题被形式化为一个线性规划（Linear Programming, LP）问题。LP 是运筹学和资源配置领域中广泛使用的数学优化方法，其特点是在一组线性约束条件下优化线性目标函数。由于其高效性与可扩展性，LP 已被广泛应用于物流、人员管理等复杂问题中。通过将排班任务建模为 LP 问题，系统能够在满足组织约束的前提下，实现资源分配的系统性与客观性。完整的 LP 数学形式见补充材料第 2C 节。

对于每天的三个班次——早班、午班和晚班——排班算法首先生成执法人员分配方案及其班次时长，随后进一步细化每名执法人员的具体时间段安排，规则如下：

早班（Morning shift）若某区域在午班已有覆盖，则早班时间段设置为避免重叠、确保平滑交接；若午班无覆盖，则早班时间段适当延长，以覆盖上午及中午早期时段。
午班（Afternoon shift）若该区域早班已有覆盖，则午班时间段被分配以尽量减少与早班重叠；若无覆盖，则午班提前开始以确保区域监管连续性。
晚班（Evening shift）若午班已有覆盖，则晚班时间段被设置为最小化重叠；若午班无覆盖，则晚班负责覆盖夜间剩余时段。若同一班次中有多名执法人员，时间段会被合理划分以减少重叠并保证完整覆盖。

在所有情况下，若一名执法人员负责多个区域，则这些区域采用相同时间段；若同一区域分配给多名执法人员，则时间段会进行合理拆分，以在减少重叠的同时确保全时段覆盖。

基于深度学习的预测模型（Deep Learning-based Prediction Model）

DT 框架中的预测阶段采用 Spatial-Temporal IDentity（STID）模型实现。STID 是 Shao 等人提出的一种用于多变量时间序列预测的简洁而高效的基线模型，旨在解决多变量数据中空间与时间信息难以区分的问题。

针对卡塞尔塔市的停车计费数据特性，以及外生变量与 POIs 的引入，我们对 STID 模型进行了适配性改造，主要包括：

空间嵌入（Spatial Embedding）用于表示不同实体（如停车计费器、车位）之间的空间关系。该嵌入基于地理距离矩阵，并结合多维尺度分析（Multidimensional Scaling, MDS）算法构建。这一空间表示能够有效刻画地理距离对停车行为的影响，是城市环境中提升预测精度的关键因素。
外生变量编码器（Exogenous Feature Encoder）用于将天气、事件等外部信息有效整合进模型中，确保外生信息的表达一致性并提升整体预测能力。
POI 嵌入（POI Embedding）用于刻画周边建筑与功能区域对停车行为的影响。模型包含一个嵌入层，将每类 POI 映射到维度为 node_dim 的潜在空间中。

通过引入 POIs 与外生变量，改进后的 STID 模型在预测性能上表现突出，能够同时捕捉内部动态（停车计费器与车位的时空模式）和外部影响因素。在交易量、收益和占用率预测任务中，该模型显著优于基线方法，相关结果见补充数据 4–6。

模型结构、实现细节与训练流程详见补充材料第 2D 节。

模型验证与长期预测稳定性分析

为验证建模方案的合理性，我们还将所提出模型与多种单变量预测模型进行了对比评估。如表 1 所示，单变量版本的 STID 模型在多种数据类型上均明显优于 SARIMAX、LSTM 等经典方法。表中同时给出了最终采用的多变量版本模型配置。

更详细的评测结果见补充材料表 S7 与补充数据 1。其中，表 S7 给出了所有单变量模型的完整指标，而补充数据 1 显示，多变量版本在所有任务中均持续优于单变量版本，突出了建模空间依赖关系的显著价值。

为进一步评估模型在长预测时域下的鲁棒性，我们分析了预测不确定性随时间的演化情况。在补充材料第 S3B 节中，我们对

$56$ 天预测窗口内的误差累积进行了评估。结果（见图 S4–S5）表明，预测误差呈现非线性增长特征：在最初

−

7{-}10

$7 - 10$ 天内快速上升，随后逐渐趋于稳定。

在整个预测窗口中，模型预测趋势始终与真实动态保持一致，不确定性区间仍具有较高的信息价值。这些结果表明，该模型能够有效捕捉关键时间结构，同时也强调了通过周期性重训练来维持长期预测精度的重要性。

仿真引擎与输入数据构建（Simulation Engine & Input Construction）

仿真模块中的核心是构建输入矩阵

$Y$ ，该矩阵用于支持对历史、实时和假设情境（what-if scenario）的建模，目标是在时间和空间两个维度上准确刻画城市交通系统的动态演化。其形式定义如下：

∈

(

)

Y \\in \\mathbb{R}^{N \\times M \\times T} \\quad (5)

$Y \in R^{N \times M \times T} (5)$

其中：

矩阵中的元素

y_{i,j,t}

$y_{i, j, t}$ 表示第

$i$ 个实体在时间

$t$ 上的第

$j$ 个状态值。

对每个实体

$i$ ，首先从原始观测序列

D_i

$D_{i}$ 开始，应用时间聚合函数

f_{agg}

$f_{a gg}$ 汇总每个时间窗口

\\Delta t

$Δ t$ 内的观测值：

(

{

∈

[

]

}

)

(

)

y_{i,j,t} = f_{agg} \\left( \\{ y_{i,j,t_k} : t_k \\in [t, t+\\Delta t] \\} \\right) \\quad (6)

$y_{i, j, t} = f_{a gg} ({y_{i, j, t_{k}} : t_{k} \in [t, t + Δ t]}) (6)$

在本研究中，

\\Delta t=4

$Δ t = 4$ 小时的时间窗口被采纳，与利益相关方的运营规划粒度保持一致，亦对应付费停车区块划分逻辑，便于制度设计与监控分析。

每个聚合后的特征

\\hat{y}_{i,j,t}

$\overset{y}{^}_{i, j, t}$ 被归一化处理，并构建中间矩阵

Y_t

$Y_{t}$ ：

[

⋯

⋮

⋱

⋮

⋯

]

(

)

Y_t = \\begin{bmatrix} \\hat{y}_{1,1,t} & \\hat{y}_{1,2,t} & \\cdots & \\hat{y}_{1,M,t} \\\\ \\hat{y}_{2,1,t} & \\hat{y}_{2,2,t} & \\cdots & \\hat{y}_{2,M,t} \\\\ \\vdots & \\vdots & \\ddots & \\vdots \\\\ \\hat{y}_{N,1,t} & \\hat{y}_{N,2,t} & \\cdots & \\hat{y}_{N,M,t} \\end{bmatrix} \\quad (7)

$Y_{t} =$

y^1,1,ty^2,1,t⋮y^N,1,ty^1,2,ty^2,2,t⋮y^N,2,t⋯⋯⋱⋯y^1,M,ty^2,M,t⋮y^N,M,t

(7)

最终的三维张量

$Y$ 是所有

Y_t

$Y_{t}$ 沿时间轴拼接得到：

[

…

]

(

)

Y = [Y_1, Y_2, \\ldots, Y_T] \\quad (8)

$Y = [Y_{1}, Y_{2}, \dots, Y_{T}] (8)$

每个实体均通过其经纬度坐标

(

lat

lon

)

(\\text{lat}, \\text{lon})

$(lat, lon)$ 进行地理参考，空间位置信息被编码入

$Y$ 中，用于后续模型对空间依赖关系的学习。

在仿真场景中，为实现更高效的空间信息保存，我们采用了空间网格映射机制：将每个实体的坐标映射至网格索引

(

)

(i, j)

$(i, j)$ ，并结合时间聚合函数

f_{agg}

$f_{a gg}$ ，为每个时间步生成网格化矩阵，最终形成整个仿真周期的张量输入。

生成模型架构：CVAE-WGAN（Generative Model: CVAE-WGAN）

本框架中的生成阶段采用定制化的 Conditional Variational Autoencoder-Wasserstein GAN (CVAE-WGAN) 架构，目标是实现高质量、多变量时序数据的生成。该结构融合了 VAE 的潜变量建模能力与 WGAN 的对抗训练机制，同时集成 3D 卷积与 LSTM 卷积结构，以充分建模时空相关性。

在假设情景仿真中，CVAE-WGAN 能基于空间掩码等外部条件生成逼真的场景数据，从而辅助策略测试与资源配置。

模型结构包括：

Encoder 编码器：输入为掩码条件张量序列（可视为视频帧序列），通过 4 层卷积模块 + 3 层 ConvLSTM 提取时空上下文并构建平滑潜变量分布。
Generator 生成器：将噪声向量与编码器输出的潜变量连接，经线性层变换后送入 ConvLSTM，再通过 Cross-Attention 模块进行时空特征细化，最后通过反卷积模块重建输出张量 $\\tilde{X} X~。$
Critic 判别器：结构与编码器类似，输入为真实张量 $\\tilde{X} X~，用于评估生成结果的真实性，卷积操作覆盖空间与时间三维维度 ( H , W , T ) (H, W, T) (H,W,T)。$

模型训练采用变分推断 + 对抗训练策略，损失函数包括：

VAE Loss：

VAE

(

)

⋅

∑

∣

−

∣

⋅

(

cond

∣

)

∥

(

)

(

)

\\mathcal{L}_{\\text{VAE}}(X, \\tilde{X}) = \\frac{1}{C \\cdot T \\cdot H \\cdot W} \\sum_{c=1}^C \\sum_{t=1}^T \\sum_{i=1}^H \\sum_{j=1}^W \\left| x_{c,t,i,j} – \\tilde{x}_{c,t,i,j} \\right| + \\lambda_{KL} \\cdot D_{KL}(q(z_{\\text{cond}} | X) \\parallel p(z)) \\quad (9)

$L_{VAE} (X, \tilde{X}) = \frac{1}{C \cdot T \cdot H \cdot W} c = 1 \sum C t = 1 \sum T i = 1 \sum H j = 1 \sum W ∣ x_{c, t, i, j} - \tilde{x}_{c, t, i, j} ∣ + λ_{K L} \cdot D_{K L} (q (z_{cond} ∣ X) ∥ p (z)) (9)$

Critic Loss 与 Generator Loss：

[

critic

(

)

]

−

[

critic

(

)

]

−

[

critic

(

)

]

(

)

\\mathcal{L}_C = \\mathbb{E}[\\text{critic}(X)] – \\mathbb{E}[\\text{critic}(\\tilde{X})], \\quad \\mathcal{L}_G = – \\mathbb{E}[\\text{critic}(\\tilde{X})] \\quad (10)

$L_{C} = E [critic (X)] - E [critic (\tilde{X})], L_{G} = - E [critic (\tilde{X})] (10)$

优化采用 Adam 算法，时间窗口设置为

T=42

$T = 42$ ，对应一周内 4 小时分辨率的时间序列，网格维度为

100

100 \\times 100

$100 \times 100$ 。

模型输入包括两个张量：来自停车计费器和车位传感器的数据矩阵，分别构建独立的时空张量后进行拼接，作为输入送入模型。

完整架构图见补充材料图 5a, b，内部模块之间的数据交互与反馈机制（如基于预测的排班调整、合成数据驱动的评估与压力测试）流程详见补充材料第 2F 节图 S2, S3。

数据与代码可用性（Data and Code Availability）

数据集：最小数据集已上传至 Zenodo。原始交易与占用数据受卡塞尔塔市保密协议与数据保护法规限制，不予公开，可签署保密协议后申请访问。
开源数据：
- 天气与空气质量数据：Open-Meteo API
- 兴趣点数据（POI）：OpenStreetMap
代码仓库：项目代码已开源发布于 GitHub：https://github.com/MODAL-UNINA/DTMOB.git 亦托管于 Zenodo：https://zenodo.org/records/17061340

地图图示使用 Python 工具（Matplotlib、Geopandas、Contextily）生成，图形绘制使用 Inkscape 工具完成。

🌟 在这篇博文的旅程中，感谢您的陪伴与阅读。如果内容对您有所启发或帮助，请不要吝啬您的点赞 👍🏻，这是对我最大的鼓励和支持。

📚 本人虽致力于提供准确且深入的技术分享，但学识有限，难免会有疏漏之处。如有不足或错误，恳请各位业界同仁在评论区留下宝贵意见，您的批评指正是我不断进步的动力！😄😄😄

💖💖💖 如果您发现这篇博文对您的研究或工作有所裨益，请不吝点赞、收藏，或分享给更多需要的朋友，让知识的力量传播得更远。

🔥🔥🔥 “Stay Hungry, Stay Foolish” —— 求知的道路永无止境，让我们保持渴望与初心，面对挑战，勇往直前。无论前路多么漫长，只要我们坚持不懈，终将抵达目的地。🌙🌙🌙

👋🏻 在此，我也邀请您加入我的技术交流社区，共同探讨、学习和成长。让我们携手并进，共创辉煌！

文章目录

1. 背景介绍

1. 数据统计模块（Data Statistics）

2. 预测分析模块（Predictive Analytics）

3. 模拟引擎模块（Simulation Engine）

结果分析：统计输出与分布特征

交通执法人员（Agents）排班自动化

预测分析：停车计费交易、收益与街道占用率预测

场景模拟与假设情境（What-if）分析

临时道路或区域关闭模拟

多层停车设施建设模拟

连续降雨天气对占用率的影响

连续降雨天气对占用率的影响（续）

框架平台演示与部署

讨论与总结

排班调度与预测的结合价值

自适应与反馈机制

向网络化智能系统演化

可扩展性与智慧城市集成能力

向智慧城市生态系统的集成扩展

应用价值与挑战展望

面临的主要挑战包括：

框架拓展路径

更深入的模拟机制

个性化与自适应排班

集成交通流数据与 ZTL 策略评估

实时能力与反馈闭环展望

未来演进方向

方法（Methods）

问题建模与系统视角

数据来源概览（Data Sources Overview）

1. 基础设施与传感器数据

2. 执法行为数据

3. 行政与法规数据

4. 上下文数据（Contextual）

5. 环境与气象数据

数据预处理

数据标准化与同步

清洗流程与噪声处理

POI 嵌入建模（POIs Embedding）

街道占用率计算（Streets Occupancy Rate）

框架架构组成（Framework Architecture）

数据统计模块（Data Statistics）

初步统计分析包括：

区域定义：

执法数据与绩效分析（Predictive Analytics）

核心绩效指标（Key Performance Indicators, KPIs）

分析目标：

统计计算方法详见补充材料第 2B 节。

月度统计指标：

绩效评分公式：

基于线性模型的执法人员排班生成（Linear Model for Agents’ Shift Calendar）

基于深度学习的预测模型（Deep Learning-based Prediction Model）

模型验证与长期预测稳定性分析

仿真引擎与输入数据构建（Simulation Engine & Input Construction）

生成模型架构：CVAE-WGAN（Generative Model: CVAE-WGAN）

模型结构包括：

数据与代码可用性（Data and Code Availability）

相关推荐

评论 抢沙发

热门标签

热门文章

最新文章

归档

分类

评论抢沙发