.png){kind=icon}
返回
A security-oriented four-factor spatio-temporal framework for assessing and mitigating traffic congestion risks
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-41451-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通拥堵不仅对其经济和流动性产生影响，还对城市交通网络构成显著且系统性的安全风险，通过降低其对干扰的韧性并放大事件后果。尽管预测模型在预测交通状态方面表现出色，但它们无法诊断潜在的风险机制，导致安全漏洞未被解决。为弥合这一差距，本文提出了一种面向安全的四因素拥堵风险框架，通过风险（拥堵的概率和强度）、暴露（系统使用水平）、脆弱性（对干扰的易感性）和缓解能力（适应和恢复能力）的视角来概念化动态风险。我们将该框架具体化为HiST-Graph，一种风险感知的时空图神经网络。与常规模型不同，HiST-Graph动态学习潜在的风险传播路径，并解耦四个与安全相关的因素的贡献。在真实数据集上的广泛实验表明，HiST-Graph不仅实现了卓越的预测精度，更重要的是提供了关于拥堵起源和演化的可解释见解。该模型识别高风险路段，量化系统性脆弱性，并揭示拥堵崩溃的前兆信号。这项工作实现了从描述拥堵到诊断其根本原因的范式转变，对通过主动风险评估、目标化脆弱性降低和有信息支持的缓解能力规划来增强交通安全具有直接意义。
Keyword:
Traffic congestion risk
Four-factor model
Spatio-temporal graph convolutional network
PEMS datasets
Intelligent transportation systems
Dynamic risk assessment
期刊
IF:
3.9
论文数:
28.1W
被引数:
83.5W
机构
引用论文
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架OAAI
OAAI分享收藏Compensating for Local Ambiguity With Encoder-Decoder in Urban Scene Segmentation城市场景分割中基于编码器-解码器的局部模糊度补偿
PREAI
分享收藏Liability design for autonomous vehicles and human-driven vehicles: A hierarchical game-theoretic approach自动驾驶汽车和人力驾驶汽车的责任设计: 一种分层的博弈论方法
OAAI
OAAI分享收藏Global and Local Pareto Optimality in Coevolution for Solving Carpool Service Problem With Time Windows协同进化中的全局和局部帕累托最优，用于解决带时间窗的拼车服务问题
PREAI
分享收藏Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting流量图卷积循环神经网络: 用于网络规模流量学习和预测的深度学习框架OAAI
OAAI分享收藏Can a bottleneck capacity enhancement policy postpone infrastructure network collapse?.png)
TRANSPORT POLICY
TRANSPORT POLICYIF5.3
PREAI
分享收藏Spatio-temporal clustering for non-recurrent traffic congestion detection on urban road networksOAAI
OAAI分享收藏
查看更多内容