用于动态网络中拥堵传播的时空自适应局部搜索方法
社会与信息网络
2025-12-23 v1 物理与社会
摘要
交通拥堵传播引发重大挑战，扰乱城市可持续性的空间可达性。拥堵传播的级联效应可导致网络大规模干扰。现有研究为刻画级联效应奠定了坚实基础，但通常依赖预定义的图结构，缺乏对多样数据粒度的适应性。为此，我们提出时空自适应局部搜索（STALS）方法，通过将动态自适应邻接矩阵输入局部搜索算法来学习传播规则。具体而言，STALS由两个数据驱动模块组成。一个是动态邻接矩阵学习模块，通过融合四个节点特征从拥堵图中学习时空关系。另一个是局部搜索模块，通过引入局部支配识别多尺度拥堵瓶颈并搜索其传播路径。我们在四个具有平均15,000个节点的基准网络上进行测试。STALS在鲁棒性和效率方面均优于六种最先进的方法，保持NMI得分0.97，平均执行时间为27.66秒。我们还将STALS应用于纽约市、美国、上海、中国和乌鲁木齐、中国的三个大规模交通网络。消融研究显示，该方法在三个城市的平均模块度为0.78，证明了频率变换特征的时空尺度不变性以及几何拓扑特征的空间异质性。通过将动态图学习与Geo驱动的空间分析集成，STALS为拥堵缓解提供了可扩展工具。
引用
@article{arxiv.2509.06099,
title = {A Spatiotemporal Adaptive Local Search Method for Tracking Congestion Propagation in Dynamic Networks},
author = {Weihua Huan and Kaizhen Tan and Xintao Liu and Shoujun Jia and Shijun Lu and Jing Zhang and Wei Huang},
journal= {arXiv preprint arXiv:2509.06099},
year = {2025}
}