MSGAT-GRU：用于时空道路事故预测的多尺度图注意力与循环模型
机器学习
2025-09-23 v1
摘要
由于城市交通中空间、时间和上下文因素的相互交织，准确预测道路事故仍然具有挑战性。我们提出 MSGAT-GRU，一种多尺度图注意力与循环模型，能够联合捕获局部和长程空间依赖关系并建模序列动态。异质输入，如交通流、道路属性、天气和兴趣点，被系统性地融合以增强鲁棒性和可解释性。在 Hybrid Beijing Accidents 数据集上，MSGAT-GRU 实现了 0.334 的 RMSE 和 0.878 的 F1 分数，持续优于强基线。在 METR-LA 数据集上的跨数据集评估（1 小时预测范围）进一步支持了迁移能力，RMSE 为 6.48（相比 GMAN 模型的 7.21）且 MAPE 相当。消融实验表明，三跳空间聚合和两层 GRU 提供了最佳的准确性-稳定性权衡。这些结果使 MSGAT-GRU 成为智能交通系统的可扩展和泛化模型，提供可指导主动交通管理和道路安全分析的可解释信号。
引用
@article{arxiv.2509.17811,
title = {MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction},
author = {Thrinadh Pinjala and Aswin Ram Kumar Gannina and Debasis Dwibedy},
journal= {arXiv preprint arXiv:2509.17811},
year = {2025}
}
备注
16 pages, 4 figures, 4 tables