STGAN：面向路面损害预测的时空图自回归网络

路面损害显著损害道路完整性并对驾驶员构成风险。准确预测路面损害的退化对于有效的道路管理、维护成本降低以及交通安全提升至关重要。然而，实际的路面损害数据通常不规则收集，导致时空数据不均匀、非同步且稀疏。这阻碍了现有时空模型（如 DCRNN）的应用，因为它们仅适用于规则且同步收集的数据。为克服这些挑战，我们提出时空图自回归网络(STGAN)，一种 novel 图神经网络模型，用于利用复杂时空数据准确预测不规则路面损害退化。具体而言，STGAN 将时域集成到时空域中，构建更大的图，其中节点由时空元组表示，边基于相似性基于连接机制构建。此外，基于构建的时空图，我们将路面损害退化预测建模为图自回归任务，即图的规模逐步递增且预测按顺序进行。这通过 STGAN 部署的 novel 时空注意力机制实现。利用包含来自上海不同地点收集的路面损害记录的 ConTrack 数据集，我们展示了 STGAN 在捕捉时空相关性方面的优越性能并解决上述挑战。实验结果进一步表明，STGAN 在基线模型中表现优异，消融研究确认其 novel 模块的有效性。我们的发现推动了主动道路维护决策，最终提升了道路安全与韧性。