《IEEE Access》：A Unified Spatiotemporal Municipal Infrastructure Incident Forecasting and Resource Allocation Framework Using Graph Neural Networks and Residual Stress Modeling
编辑推荐：
地方市政机构面临市民投诉、基础设施问题及服务中断等多重挑战，而被动式的市政管理模式导致效率低下与响应迟缓。为克服上述局限，本研究提出一种名为历史基线残余预测架构（Historical Baseline Residual Forecasting Architec
地方市政机构面临市民投诉、基础设施问题及服务中断等多重挑战，而被动式的市政管理模式导致效率低下与响应迟缓。为克服上述局限，本研究提出一种名为历史基线残余预测架构（Historical Baseline Residual Forecasting Architecture）的创新架构，并将其嵌入统一的时空市政智能框架中，以实现面向主动式城市基础设施压力预测与资源分配的支持体系。该架构通过估算各区域的历史市政压力基线，并预测相对于基线的残余波动，从而区分持续性区域基础设施压力与短期波动。研究提出统一投诉数据模型（Unified Complaint Data Model，UCDM），用于融合市政投诉数据集及天气、节庆等情境因素。此外，提出市政压力指数（Municipal Stress Index，MSI），将投诉量、未解决服务请求及增长动态整合为单一运营指标。研究基于时空增强框架，由16,071条真实投诉记录构建包含611,879条投诉记录的大规模增强城市投诉数据集。研究系统评估了多种预测架构，包括持久性模型（Persistence）、线性回归（Linear Regression）、随机森林（Random Forest）、长短期记忆网络（LSTM）、图神经网络（GNN）、多任务GNN+LSTM及所提出的历史基线残余架构，并通过实验与消融分析进行对比。结果表明，所提出的架构在预测误差与空间压力排序方面均优于传统方法。资源分配模拟进一步验证了模型的实际应用价值，在仅使用20%资源容量的条件下，实现了42.27%的未来市政压力召回率，从而在有限资源约束下有效支持高影响区域的优先处置。
论文解读：基于历史基线残余架构的市政基础设施时空预测与资源分配统一框架
一、研究背景与问题提出
随着城市化进程的加速，城市基础设施管理面临日益严峻的挑战。人口增长、城市边界扩张及市民需求提升，对负责道路网络、排水系统、垃圾处理及公共设施等领域的市政管理部门形成了显著压力。城市基础设施某一环节的失效往往通过空间关联向周边区域传导，进一步加剧运营复杂性并增加市政管理负担。近年来，城市数据可得性与机器学习技术的进步为复杂城市系统的分析与数据驱动决策提供了新的可能。市民投诉作为城市运营情报的重要来源，能够有效反映服务缺陷、未解决问题及基础设施故障。时空学习方法已被证明能够捕捉城市环境中的复杂关联并预测未来态势。然而，现有市政管理系统大多仍处于被动响应模式，仅在问题发生后进行处理。预算有限与劳动力短缺进一步加剧了管理困境。
现有研究虽在投诉预测、交通预测、出行建模、犯罪预测及市政需求估计等领域取得进展，但仍存在若干显著不足。其一，多数方法聚焦于单一城市预测任务，缺乏投诉预测、基础设施压力分析、预测与资源分配之间的整合。其二，现有模型普遍未充分考虑相邻区域间的空间关联效应。其三，缺乏统一的城市投诉数据模型以标准化异构市政数据。其四，市政分析方案普遍缺乏能够反映当前服务负荷与基础设施风险的量化压力模型。其五，现有预测模型与市政资源分配及运营规划的整合程度不足。为弥补上述研究空白，本研究提出一个基于历史基线残余（Historical Baseline Residual，HBR）模型的统一市政智能系统，用于基础设施压力预测与资源分配。
二、研究内容与主要结论
研究人员构建了包含统一投诉数据模型（UCDM）、市政压力指数（MSI）、历史基线残余预测架构及资源分配模拟框架的完整市政智能体系。基于16,071条真实市政投诉记录，通过时空增强框架生成包含611,879条投诉记录的大规模增强数据集，覆盖八年连续时间跨度。研究系统评估了持久性模型、线性回归、随机森林、LSTM、GNN、多任务GNN+LSTM及所提出的HBR架构，实验结果表明HBR架构在预测误差与空间压力排序方面均优于其他方法。资源分配模拟进一步显示，在仅使用20%资源容量的条件下，该模型可实现42.27%的未来市政压力召回率，验证了其在有限资源条件下优先处置高影响区域的实用价值。
三、关键技术方法概述
研究人员主要采用了以下关键技术方法：一是统一投诉数据模型（UCDM），将市政投诉数据、气象数据及节庆事件数据整合为统一的时空特征表示，每个区域由16个动态特征、11个静态特征及9个外部情境特征共同表征；二是时空数据增强框架（UCDAF），基于真实数据提取时空先验分布，通过概率模拟生成大规模增强数据集，并引入天气条件调制、节庆放大及图溢流注入机制；三是市政压力指数（MSI），将投诉密度、未解决积压比率、投诉增长率及邻域压力四个标准化运营指标加权整合为单一连续压力指标；四是基于K近邻图构建的图神经网络预测框架，通过图卷积捕捉区域间空间依赖关系；五是所提出的历史基线残余（HBR）架构，将长期区域压力基线与短期波动分离进行预测。
四、研究结果分述
统一投诉数据模型（UCDM）构建结果： 研究人员设计了包含数据协调、空间区域构建、时间窗口聚合及特征分类的完整数据模型流程。通过K-means聚类将城市划分为20个空间区域，构建K近邻图以捕捉基础设施溢流效应。每日时间窗口聚合生成规律采样的时间序列，最终形成维度为T×N×36的时空特征张量。
时空数据增强框架（UCDAF）验证结果： 增强数据集保留了真实数据的关键特征，包括类别分布、天气与节庆影响、热点特征及空间自相关性。增强数据集覆盖2,922个连续日期，规模为原始数据集的38倍，为深度学习模型训练提供了充足数据支撑。
市政压力指数（MSI）构建结果： 研究人员将MSI定义为投诉密度、未解决积压比率、投诉增长率及邻域压力四个标准化指标的加权组合，权重之和为1，数值归一化至0至1区间。MSI被划分为不同风险等级，高风险与严重风险区域被视为巡检、维护及应急资源的优先候选对象。
预测架构对比实验结果： 通过受控实验与消融分析，系统评估了六类预测架构的性能。实验结果表明，所提出的HBR架构在预测误差与空间压力排序方面均优于持久性模型、线性回归、随机森林、LSTM、GNN及多任务GNN+LSTM等对比方法。
资源分配模拟结果： 资源分配仿真揭示了模型的实际应用价值。在仅使用20%资源容量的条件下，模型实现了42.27%的未来市政压力召回率，表明其能够在有限资源约束下有效识别高压力区域并支持优先处置决策。
五、讨论与结论
本研究的讨论部分强调，所提出的统一框架将城市数据建模、基础设施压力分析、时空预测与资源优化有效衔接，为市政管理部门提供了从被动响应向主动管理转变的技术支撑。HBR架构通过分离长期基线压力与短期波动，既保留了各区域的持久性压力特征，又能够捕捉动态变化，从而在预测精度与空间排序方面取得显著优势。研究结论表明，所提出的框架在有限资源条件下能够有效识别高影响区域，为市政资源的优化配置提供了可行的决策支持工具。该研究的核心贡献在于提出了统一投诉数据模型、市政压力指数、大规模增强数据集、历史基线残余预测架构及资源分配模拟框架，共同构成一个完整的市政智能管理系统。
