Micro-Macro Coupled Koopman Modeling on Graph for Traffic Flow Prediction¶
会议: ICLR 2026
OpenReview: https://openreview.net/forum?id=fhDqFk4DgI
代码: 论文承诺开源（匿名仓库）
领域: 自动驾驶 / 交通流预测 / 动力系统建模
关键词: Koopman 算子, 车辆轨迹预测, 交通流 PDE, 图神经网络, 微观-宏观耦合, 无历史预测
一句话总结¶
把"微观车辆轨迹"和"宏观交通流密度"统一升维到 Koopman 线性观测空间，用一张以车辆为节点的拉格朗日动态图离散 LWR 方程，仅靠当前时刻快照（无需历史轨迹）就能做到与依赖历史的 SOTA 相当甚至更优的轨迹预测。
研究背景与动机¶
领域现状：交通系统天生是多尺度的——微观层面是单车之间的博弈与交互，宏观层面是车流密度的波动传播，两者非线性地耦合演化。现有方法几乎都只站在一边：微观方法（多智能体交互、因果时序推断）能刻画局部行为和随机事件，但守不住全局流量守恒、车数一多就吃不消；宏观方法用 LWR 这类偏微分方程（PDE）保证守恒律和流量连续性，却对单车级别的扰动事件几乎"失明"。
现有痛点：少数试图打通微观-宏观的工作（博弈论框架、运动学极限）要么假设驾驶员同质、要么只在渐近极限下成立，落不了地。更要命的是，主流轨迹预测器（BAT、MS-STGCN 等）都依赖过去 3–8 秒的历史轨迹，这意味着系统必须持续跟踪、存储、做连续目标检测，实时性和工程开销都是负担。
核心矛盾：如何在一个统一、计算可行、物理可解释的框架里建模微观与宏观之间那条非线性、双向的耦合关系？
本文目标：提出 MMCKM（Micro-Macro Coupled Koopman Modeling），在单一 Koopman 架构内联合预测车辆未来轨迹和交通流密度演化，且不依赖任何历史轨迹。
核心 idea：① Koopman 升维线性化——微观轨迹和宏观流量都能被升到各自的高维观测空间，在那里动力学近似线性，而 Koopman 算子在观测函数时不变时具有马尔可夫性，因此只需当前状态即可外推；② 拉格朗日车辆图离散——不再在固定欧氏网格上离散 PDE，而是把车辆本身当成图节点（网格随车流移动），从而保住被网格平均掉的高频微观扰动；③ 双向耦合——微观扰动通过 LWR 上新增的扩散项影响宏观流量，宏观流量又通过 Koopman 控制项作为外部输入反作用于单车。
方法详解¶
整体框架¶
MMCKM 把交通环境建成一张以车辆为节点的带权有向图 \(G_t=(V_t,E_t,W_t)\)，再分宏观、微观两路升维：宏观侧把车流密度演化升到观测空间 \(Z\) 做线性 Koopman 演化；微观侧把自车状态升到观测空间 \(z\) 做带控制的 Koopman 演化，控制输入由宏观状态经 CrossAttention 注入，形成"微观→宏观（扩散项）、宏观→微观（控制项）"的双向闭环。
flowchart LR
A[车辆图 G_t<br/>节点=车辆/拉格朗日坐标] --> B[宏观路: 双 GNN 学边权<br/>W_diff 扩散 / W_adv 平流]
A --> C[微观路: 自车状态 x_t]
B --> D[平流-扩散 PDE on Graph<br/>升维 → Koopman 演化 K_Z]
D -->|宏观流量 Z_t| E[CrossAttention<br/>= Actuation 算子]
C --> F[Intent Discriminator<br/>MoE 选场景算子]
F --> G[场景自适应 Koopman 演化<br/>z_t+1 = K_z z_t + B_z u_t]
E -->|控制输入 u_t| G
D --> H[密度预测 ρ_t+1]
G --> I[轨迹预测 p_t+1]关键设计¶
1. 车辆中心的图上平流-扩散 PDE：把守恒律搬到拉格朗日坐标。 传统 PDE 在固定欧氏网格里离散，每个格子内的随机行为被平均掉，高频微观扰动彻底丢失。本文转而把车辆当节点、在拉格朗日坐标上离散，得到图上演化 \(\dot\rho = -C_{adv}\rho + L_{diff}\rho\)，其中平流算子 \(C_{adv}=B^\top W_{adv}B\) 是反对称矩阵（描述车流方向传播、能量守恒），扩散算子 \(L_{diff}=B^\top W_{diff}B\) 是半正定矩阵（描述周围车辆带来的扰动）。两个边权矩阵 \(W_{adv},W_{diff}\) 由两个 GNN 从节点特征学出，并用结构化设计保证物理性质：扩散边初始化为无向且对 \(W_{diff}\) 用 Softplus 激活保半正定；平流边重建成与速度场对齐的有向图，再给每条边补一条等权反向边以保证反对称。这样每辆车如何影响流量传播被显式写出来，边权本身就是可解释的车间交互强度。
2. 统一的无历史 Koopman 建模 + 谱对齐：让 Koopman 算子和图-PDE 算子说同一种语言。 受投影空间里 \(\dot{\hat\rho}=(\mathrm{Diag}(\eta)-j\mathrm{Diag}(\xi))\hat\rho\) 这种线性结构启发，把图特征经 GNN 编码器 \(\phi_Z\) 升到观测空间、用可学习矩阵 \(K_Z\) 线性演化、再用 MLP 解码回密度。由于真实交通里 \(L_{diff}\) 与 \(C_{adv}\) 一般不可交换、无法同时对角化，作者不强行假设交换，而是惩罚两者的对易子 \(L_{JAD}=\|L_{diff}C_{adv}-C_{adv}L_{diff}\|_F^2\)，从而在 Lie-Trotter 算子分裂 \(e^{\Delta t(L_{diff}-C_{adv})}\approx e^{\Delta t L_{diff}}e^{-\Delta t C_{adv}}\) 下提升数值稳定性，且全程可微、无需特征分解。进一步设 \(\theta=\frac{1}{\Delta t}\log(K)\)（主矩阵对数，经实 Schur 形式 + Tikhonov 正则数值稳定地求），用谱对齐损失 \(L_{spec}\) 把 \(\theta\) 的实部对齐 \(L_{diff}\) 的特征值、虚部对齐 \(C_{adv}\) 的频率，使 Koopman 动力学与学到的图-PDE 算子在谱层面一致，兼顾稳定与可解释。
3. 物理引导的多模态微观动力学：用一族小算子 + Intent 门控覆盖驾驶场景。 驾驶意图是离散且会突变的（自由流、跟车、变道、汇入、紧急），单个 Koopman 算子既要覆盖所有模态又要做特征分解，计算上不可承受。本文构造一族 Koopman 算子，每个由若干 \(2\times2\) 复值块和实值对角块拼成，并用三种方式拉开差异：对谱半径设不同上界（反映稳定裕度）、调复块控制项 \(\theta\) 调振荡频率、约束最大作动强度 \(B_{max}\)，使每个算子对应一种驾驶模态。一个用 MoE 实现的 Intent Discriminator 读自车状态 \(x_t^e\) 和宏观观测 \(Z_t\)，作为门控选出最匹配当前场景的算子，其监督标签在预处理时由加速度、车头时距、横向位移等确定性规则自动生成、无需人工标注。宏观流量则通过 Koopman 控制路径 \(z_{t+1}=K_z z_t + B_z u_t\) 注入，其中 \(u_t=\mathrm{CA}(z_t,Z_t)\) 由 CrossAttention 充当作动算子；为保证输入-状态稳定（ISS），约束 \(u_t\) 有界且谱半径 \(\kappa(K_z)<1\)，从理论上保证误差几何衰减、长时不发散。
实验关键数据¶
主实验表格（NGSIM，轨迹 RMSE，越低越好）¶
| 预测时长 (s) | BAT (含历史) | MS-STGCN (含历史) | Vit-Traj (含历史) | CV (无历史) | Ours 1.0s | Ours 0.1s |
|---|---|---|---|---|---|---|
| 1 | 0.27 | 0.42 | 0.39 | 0.64 | 0.54 | 0.33 |
| 2 | 0.90 | 1.00 | 0.95 | 1.48 | 0.98 | 0.92 |
| 3 | 1.43 | 1.66 | 1.58 | 2.63 | 1.57 | 1.63 |
| 4 | 2.76 | 2.44 | 2.22 | 4.33 | 2.26 | 3.17 |
| 5 | 3.80 | 3.05 | 2.89 | 5.62 | 2.93 | 4.65 |
完全无历史的 MMCKM 在所有时长上都显著优于同为无历史的 CV 基线，并在多个时长上达到甚至超过依赖 3–8 秒历史的 SOTA。
算子间隔对比（HighD，ADE）¶
| 间隔 | 0.04s | 0.1s | 0.2s | 0.4s(*) | 1s |
|---|---|---|---|---|---|
| ADE | 2.84 | 2.06 | 1.88 | 1.65 | 2.90 |
间隔存在"高频保真 vs 数值稳定"的权衡：过小（0.04s）使特征值聚在单位圆附近、病态且需大量迭代放大误差；过大（1s）抓不住高频机动；0.4s 最优。
消融实验表格（HighD，间隔 0.2s，轨迹 RMSE）¶
| 模型 | 1s | 2s | 3s | 4s | 5s |
|---|---|---|---|---|---|
| MMCKM（完整） | 0.29 | 0.60 | 1.21 | 1.72 | 2.73 |
| MMCKM-I（去 Intent） | 0.74 | 1.39 | 1.96 | 2.90 | 3.81 |
| MMCKM-C（去 Koopman 控制） | 0.41 | 1.01 | 1.89 | 2.50 | 3.46 |
| MMCKM-IC（两者都去） | 0.80 | 1.74 | 2.54 | 3.48 | 4.62 |
扩散项消融（NGSIM，宏观密度误差）：完整 LC 在 1–5s 为 3.2%→9.5%，仅平流 C 为 6.1%→14.1%，去掉扩散后误差大幅退化。
关键发现¶
- Intent Discriminator 主管短时：1s 提升 29%，但长时随宏观状态独立演化、意图分类精度衰减而收益递减。
- Koopman 控制主管长时稳定：5s 误差较 MMCKM-C 降低 37%，是维持双向耦合、约束轨迹落在物理合理流型内的关键。
- 误差随迭代近似线性增长，区别于循环架构的指数级放大，因此长时段反而可能反超依赖历史的方法。
- KDE 带宽是把双刃剑：25m 最优；带宽过小（10m）密度标签被高频噪声主导，\(W_{diff}\) 反而放大噪声、扰乱对易子与谱对齐，使 LC 比纯 C 还差——揭示"扩散只有在密度监督携带物理意义的梯度时才有益"。
亮点与洞察¶
- 首次用统一 Koopman 框架联合建模车辆轨迹与交通流密度，且无需历史轨迹，把"实时单快照预测"做成了可行方案。
- 拉格朗日车辆图离散是真正的物理贡献，不是简单换坐标系——它保住了欧氏网格必然平均掉的微观高频扰动，并让"扩散项把微观随机性注入宏观 PDE"第一次落地。
- 谱对齐 + 对易子惩罚把深度学习的 Koopman 矩阵和经典图-PDE 算子在特征值层面绑定，兼顾数值稳定性和可解释性，工程上还规避了特征分解。
- 边权可解释性：学到的边权直接量化车间交互强度并随驾驶条件动态变化，可供下游规划/控制模块使用，是网格法给不了的。
局限与展望¶
- 密度真值是 KDE 估计的"操作性真值"，缺乏传感器标定的密度标签，跨论文的宏观密度 SOTA 对比留给未来基准。
- 仅在 NGSIM/HighD 两个高速公路数据集验证，城市场景下的异质图结构（路口、行人、信号灯）尚未覆盖，作者将其列为未来方向。
- Intent Discriminator 长时失效：维持精确意图判别需同步更新所有周围车辆状态，计算上不可行，目前靠 Koopman 控制弥补长时稳定。
- 小算子间隔的数值病态、带宽敏感性都说明该框架对超参（间隔、KDE 带宽）较敏感，落地需仔细调参。
相关工作与启发¶
- Koopman 算子理论（DMD、Lusch 等神经参数化、Koopman 控制理论）是方法地基，本文创新在于把它与图-PDE 算子做谱对齐，并用马尔可夫性实现无历史预测。
- 宏观 LWR/PDE 交通流模型给了守恒律框架，本文用拉格朗日图离散 + 扩散项补上其对微观事件"失明"的短板。
- 微观轨迹预测（BAT、MS-STGCN、Vit-Traj）代表依赖历史的范式，本文反其道而行证明无历史也能打平甚至反超。
- 启发：对于任何"多尺度、双向耦合、跨尺度交互缺乏显式数学形式"的系统，"升维线性化 + 把抽象的跨尺度影响建成控制输入"是一条值得借鉴的通用思路。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ — 首个统一 Koopman 框架联合建模微观轨迹与宏观流量，拉格朗日车辆图离散 + 谱对齐 + 无历史预测都很有想法。
- 实验充分度: ⭐⭐⭐ — 两个标准数据集 + 算子间隔/组件/扩散项/带宽多组消融较扎实，但缺城市场景、缺与更多近期 SOTA 的密度对比，密度真值为 KDE 估计而非标定值。
- 写作质量: ⭐⭐⭐⭐ — 物理动机清晰、公式与设计动机讲得透，图示到位；个别符号与表述略密集。
- 价值: ⭐⭐⭐⭐ — 无历史 + 实时单快照 + 可解释边权对自动驾驶 ITS 落地很有吸引力，物理可解释性是相对纯数据驱动法的差异化优势。