基于强化学习引导的动态多图融合用于疏散交通预测
机器学习
2026-01-13 v1 人工智能
摘要
实时交通预测对于管理飓风疏散交通系统至关重要。尽管数据驱动的图学习模型在捕捉疏散交通在网络层面的复杂时空动力学方面表现出强大的能力，但它们大多只考虑单一维度(如旅行时间或距离)来构建底图。此外，这些模型往往缺乏可解释性，对哪些输入变量对预测性能贡献最大几乎没有提供见解。为克服这些限制，我们发展了一种新的强化学习引导的动态多图融合(RL-DMF)框架，用于疏散交通预测。我们在每个时间步骤构建多个动态图，以表示交通探测器之间的异构时空关系。动态多图融合(DMF)模块用于自适应学习和组合这些图中的信息。为增强模型可解释性，我们引入基于强化学习的智能特征选择和排序(RL-IFSR)方法，在模型训练期间学习对不相关特征的掩码。该模型使用2016至2024年肯塔基州12个飓风的数据进行评估。对于未见过的飓风(2024年米尔顿),模型在预测下一个1小时交通流时达到95%准确率(RMSE=293.9)。此外，该模型可对未来最高6小时的交通流进行预测，准确率达90%(RMSE=426.4)。RL-DMF框架超过几个最先进的交通预测模型。此外，ablation实验确认了动态多图融合和RL-IFSR方法对于提高模型性能的有效性。该研究提供了一个通用且可解释的实时疏散交通预测模型，对疏散交通管理具有重大意义。
引用
@article{arxiv.2601.06664,
title = {Reinforcement Learning-Guided Dynamic Multi-Graph Fusion for Evacuation Traffic Prediction},
author = {Md Nafees Fuad Rafi and Samiul Hasan},
journal= {arXiv preprint arXiv:2601.06664},
year = {2026}
}