MDAS-GNN：基于空间扩散的多维时空图神经网络用于城市交通风险预测
机器学习
2025-11-03 v1
摘要
交通事故是全球每年致命死亡人数超过 135 万人的重大公共卫生挑战。传统的事故预测模型将道路段彼此独立地对待，无法捕捉城市交通网络中复杂的空间关系和时序依赖性。本研究开发了 MDAS-GNN，即多维注意力空间扩散图神经网络，集成三大核心风险维度：交通安全、基础设施和环境风险。该框架采用特征特定的空间扩散机制和多头时序注意力，捕捉不同时间尺度上的依赖关系。该模型在英国交通部覆盖于中央伦敦、南曼彻斯特和东南伯明翰的事故数据上进行评估，表现优于既定基准方法。该模型在短期、中期和长期预测期间保持一致的低预测误差，尤其在长期预测中表现突出。消融研究确认，集成的多维特征优于单一特征方法，可将预测误差降低最高 40%。该框架为公路工程师和城市规划者提供了先进的交通基础设施设计预测能力，使其能够基于数据做出决策，以优化道路网络、改进基础设施资源配置，并在城市发展项目中实施战略性安全干预。
引用
@article{arxiv.2510.27197,
title = {MDAS-GNN: Multi-Dimensional Spatiotemporal GNN with Spatial Diffusion for Urban Traffic Risk Forecasting},
author = {Ziyuan Gao},
journal= {arXiv preprint arXiv:2510.27197},
year = {2025}
}