动态图变换与多任务学习融合的时空交通预测增强研究

本文提出动态图变换多任务学习框架（DGT-MTL），通过动态邻接矩阵生成模块（D2Ad2S）平衡静态稳定性与动态灵活性，结合多尺度图学习（MGSL）模块捕捉细粒度特征，并采用自适应多任务学习优化道路段动态关系建模。实验在6个基准数据集上实现ROC-AUC和F1分数超15%的提升，为智能交通系统（ITS）提供强鲁棒性解决方案。

　　

亮点

• 提出DGT-MTL框架，通过多任务学习实现高效信息共享与任务精度提升

• 创新动态自适应邻接矩阵软选择策略（D²Ad²S），融合静态稳定与动态灵活优势

• 开发多尺度图结构学习模块（MGSL），分阶段捕获局部粒度与全局系统动态

• 设计动态多任务融合架构，基于噪声特征动态调整任务权重

数据集

采用ML4SafetyRoad项目中6个美国州际数据集（ML4(DE)等），包含20年碰撞事故记录、交通流数据及道路特征，构建为有向图结构，覆盖超900万数据节点。

方法论

DGT-MTL框架包含三大核心模块：

1. 1.

   动态邻接矩阵生成：通过可学习参数软选择静态与动态矩阵最优组合

2. 2.

   多尺度学习（MGSL）：先通过时空卷积提取局部模式，再通过图注意力（GAT）聚合全局特征

3. 3.

   自适应多任务学习：采用门控机制动态分配任务权重，噪声表征模块优先处理高信噪比数据

结论

DGT-MTL通过动态图变换与多任务协同机制，显著提升复杂交通场景下的预测鲁棒性，为突发事故（如道路施工）提供实时响应能力，相关技术可扩展至流行病传播预测等时空序列分析领域。