Reinforcement Learning-Based Node-Wise Adversarial Attacks Against Spatiotemporal Traffic Forecasting Models

Zhenqin Yin

doi:10.1109/tits.2026.3725516

Reinforcement Learning-Based Node-Wise Adversarial Attacks Against Spatiotemporal Traffic Forecasting Models

2026-08-28

0

PRE

AI

DOI：10.1109/tits.2026.3725516

原文链接

原文求助

摘要

En 中文

时空交通预测在智能交通系统（ITS）中发挥着核心作用，支持交通管理、路径优化和拥堵缓解等关键功能。这些预测模型通常基于图神经网络构建，以捕捉空间依赖性和时间动态，并日益部署在实际基础设施中。然而，它们对复杂数据驱动机制的依赖也使其暴露于对抗性脆弱性。在现实世界的ITS中，由于攻击者面临访问限制和操作能力受限，选择一小部分目标节点对于在现实约束下发起有效的对抗攻击至关重要。为解决此问题，我们提出了一种基于强化学习的框架，用于学习自适应节点选择策略。通过在时空交通状态上优化策略，代理识别出关键节点，这些节点的局部扰动会导致预测性能的显著全局退化，从而以更精准高效的方式揭示模型脆弱性。与现有的启发式方法或静态策略不同，所提出的方法能够动态适应底层图结构和时间模式，而无需依赖手工设计的标准。使用真实城市网络交通数据的实证结果证实，在预算受限的情况下，该方法能够生成具有影响力的攻击，并且持续优于现有基线。这项工作不仅揭示了智能交通基础设施中的新安全问题，也为在安全关键型应用中构建更具弹性的图学习模型开辟了未来方向。

Keyword:

Spatiotemporal traffic forecasting

adversarial attacks

reinforcement learning

Reinforcement Learning-Based Node-Wise Adversarial Attacks Against Spatiotemporal Traffic Forecasting Models

摘要

期刊

机构

引用论文