ST-ResGAT：面向道路状况预测和优先级驱动的可解释时空图神经网络
机器学习
2026-05-12 v1 人工智能
计算工程、金融与科学
新兴技术
神经与进化计算
摘要
气候脆弱的道路网络需要从被动的、故障后修复模式转向主动的、决策就绪的维护模式。本文引入 ST-ResGAT，一种新的时空残差图注意力网络，通过融合残差图注意力编码和 GRU 时间聚合来预测路面剥落。该框架经过设计，可在资源受限的部署环境中运行，将连续的 Pavement Condition Index (PCI) 预测直接转化为符合美国标准试验协会 (ASTM) 的维护优先级。我们使用来自孟加拉国西利哈地区 (2021-2024) 750 条路段的真实检查数据集，ST-ResGAT 显著优于传统非空间机器学习基线，实现卓越的预测保真度 (R2 = 0.93, RMSE = 2.72)。关键的是，消融实验确认了建模拓扑邻效应的必要性，证明结构衰退可作为空间传播。独特的是，我们将 GNNExplainer 集成到模型中，揭示模型所学习的优先级与 established physical engineering theory 完全一致。进一步，我们量化了分类安全性：实现 85.5% 的精确 ASTM 类别一致性和 100% 的相邻类别覆盖，确保模型预测在工程师安全范围内。为将模型输出与政策联系起来，我们生成局部纵向维护轮廓，进行气候压力测试，并导出 Pareto 可持续性前沿。ST-ResGAT 因此为高风险、低资源地质环境下的智能基础设施管理提供了实用、可解释且可持续的蓝图。
引用
@article{arxiv.2603.14107,
title = {ST-ResGAT: Explainable Spatio-Temporal Graph Neural Network for Road Condition Prediction and Priority-Driven Maintenance},
author = {Mohsin Mahmud Topu and Azmine Toushik Wasi and Mahfuz Ahmed Anik and MD Manjurul Ahsan},
journal= {arXiv preprint arXiv:2603.14107},
year = {2026}
}
备注
40 Pages. 10 Tables. 8 Figures