TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic

最近深度学习领域的进展表明其在预测交通流量方面具有潜力。这样的预测对于理解情况和做出交通控制决策是有益的。然而，大多数最先进的深度学习模型被认为是“黑盒子”，对于最终用户来说，很少或没有透明度，无法了解底层机制。一些先前的工作试图“打开黑盒子”，增加预测生成的可解释性。然而，处理大规模时空数据上的复杂模型并发现显著影响交通流量的显著空间和时间模式仍然具有挑战性。为了克服这些挑战，我们提出了TrafPS，一种可视化分析方法，用于解释交通预测结果以支持交通管理和城市规划中的决策制定。我们提出了度量、区域SHAP和轨迹SHAP，用于量化流量模式对不同级别城市交通的影响。根据领域专家的任务要求，我们采用交互式视觉界面，对显著流量模式进行多方面探索和分析。两个真实世界的案例研究证明了TrafPS在识别关键路径和支持城市规划决策方面的有效性。

如何解释深度学习模型在交通预测中的预测结果，以支持交通管理和城市规划的决策制定？

提出了TrafPS，一种可视化分析方法，利用测量、区域SHAP和轨迹SHAP等技术量化交通流模式对城市交通的影响，并提供交互式可视化界面进行多方面探索和分析。

实验采用了两个真实的案例研究，展示了TrafPS在识别关键路线和支持城市规划决策方面的有效性。

目前已有一些尝试提高深度学习模型可解释性的相关工作，但处理大规模时空数据和发现显著的空间和时间模式仍然具有挑战性。