基于图注意力网络的车联网安全事故风险感知消息分发方法

《Expert Systems with Applications》：Graph attention network-based accident risk aware message dissemination for internet of vehicle safety

　　

车联网（IoV）中车辆网络与基础设施的快速增长，提升了对智能事故风险预测与实时安全信息共享的需求。准确预测事故对日益拥堵复杂的交通场景改善道路安全至关重要。研究人员提出一种新颖深度学习（DL）架构——交通安全图注意力网络（TSGAN），推进了事故风险预测与实时告警发放的艺术水平。TSGAN集成空间图注意力模块（SGAM）用于动态空间建模，以及时间卷积模块（TCM）用于多尺度时间模式提取。一项关键创新是双阶段风险预测模型，同时估计事故概率与严重程度，实现更细致的风险评估。此外，框架包含影响感知风险分发模块，生成上下文感知告警，并通过增强量子神经网络（QNN）策略驱动的雾基深度强化学习（FOG-DRL）模型优化。在真实IoV数据与NS-3仿真器上的评估表明，TSGAN在预测精度、告警时效性与网络效率上优于基线方法。

研究背景方面，智能交通系统（ITS）与车联网（IoV）快速发展为通过车辆、基础设施与云服务的实时数据交换改善交通安全和减少道路事故提供了新机遇，但在快速变化的车载环境中提供及时准确的交通安全信息仍具挑战。全球统计显示交通事故每年造成大量伤亡，高交通密度场景下微小延迟或错误信息均可能导致灾难性后果。传统事故风险预测技术常采用静态图与浅层时间模型，难以表征IoV环境中动态非线性的时空交互，且统一或启发式安全消息分发模型易因消息泛洪或忽视上下文引发网络拥塞与延迟。现有图模型多使用静态固定图，未能充分挖掘时间动态与风险优先级，大多数仅预测事故概率而忽略严重程度，限制告警可用性。分发机制常饱和网络或采用标准广播，缺乏基于车辆密度、拥塞、风险画像与链路可靠性的自适应深度强化学习（DRL）策略，传统DRL在IoV高维非线性决策空间中收敛慢且易陷局部最优。为此，研究人员开展本研究，提出TSGAN框架，在《Expert Systems with Applications》发表，其结论为：TSGAN通过动态空间推理、多尺度时间学习与双阶段风险预测，结合影响感知分发与FOG-DRL（含PPO与QNN）优化，在预测准确率（97.6%）、F1分数（89.25%）、传输延迟（30 ms）、消息投递率（93%）与伪造消息检测率（95%）等指标上均优于XGBoost、MLP、GRU、SDCAE、Conv-LSTM与Graph-Wavenet等基线，验证了所提时空注意力、双阶段建模与自适应分发的有效性，为大规模城市IoV部署提供低延迟、高安全与高效率的主动风险缓解方案。

关键技术方法上，研究人员构建以路段的车辆与交叉口为节点、以连通性与流聚为边的有向时空图G=(V,ε)，特征矩阵X_i∈R^T×F；采用空间图注意力模块（SGAM）以多头GAT计算邻居归一化注意力系数α_ij并残差聚合得空间嵌入Z^S；时间卷积模块（TCM）以1D因果膨胀卷积提取短长时模式得Z^T，融合为H；双阶段风险预测头分别用Sigmoid与归一化激活输出事故概率P_a与严重度向量S，加权和得复合风险R=λ·P_a+(1-λ)·Σw_iS_i；影响感知分发模块依动态阈值τ_i=μ_R+γ·β_R过滤低险，按D_i=D_max·(1-R_i)排程延迟，以空间熵ξ_i抑制冗余，按R_j>R_i且链路质量?_ij>θ选转发集；FOG-DRL将状态S=(p_T,ρ_T,v_T,C_T,d_T)与动作a_T=(r_T,D_T,P_sc)建为MDP，奖励R_T权衡投递、延迟、开销与效率，策略由量子神经网络（QNN）以U_enc编码、U(θ)纠缠、测量O_a出概率，PPO裁剪目标L_PPO更新，离线训练后雾节点毫秒级推理。样本为真实IoV数据加NS-3仿真（50节点、1000 m面积、300 m通信范围、5分钟模拟）。

研究结果部分，第1节引言指出静态图、单概率输出与启发式广播三大缺口，列TSGAN六项贡献。第2节文献综述对比Dhanasekaran等多模态Transformer+GNN、Rizwan的MEMDS、Vinita的FLEMDS、Shahriar的ITSF、Anyanwu的Ens.RF、Zheng的DSTFLG、Zhang的PRLP、Liu的SNIPER、Pei的CNN-BiLSTM-Attention、Kashifi的DHN、Feng风险核、Liu的STCL、Adewopo的I3D-CONVLSTM2D、Koti的ANN-LMA/BR，归纳出现有方法在动态图、双阶段、上下文分发与DRL自适应上的不足。第3节问题陈述以Li的DMGAN、Tripathi的TREE、Trirat的MG-TAR、Badshah的AAKE-BIVT、Wei的STCLA为例，明确缺乏实时自适应图、严重度分支、风险感知分发与QNN-DRL。第4节问题形式化给出图定义、SGAM的α_ij=Softmax_j(σ(a^T[WX_i‖WX_j]))、TCM的h^(t)=Conv1D(X_i;k,d)、双阶段P_a与S、R合成式、动态阈值冗余抑制与Δt_i=T_max·(1-R_i)，以及目标max_G,XAcc(P_a,S), minimize Delay(R), Redundancy。第5节方法详述SGAM多层注意力z_i=σ(Σ_j∈Niα_ijh_j)与残差Dropout、TCM多尺度κ_s卷积与批归一化、双阶段两路头、影响感知四机制（动态阈值、冗余哈希、延迟排程、自适应半径r_i=r_min+(r_max-r_min)·R_i^δ）、分发过程终止条件?v_j,R_j≤R_i∨h(A_i)∈H_i，以及FOG-DRL的MDP、QNN线路|?_T〉=U(θ)U_enc(S)|0〉^?n、PPO目标L_PPO(θ)=E_T[min(π_sc(θ)A?_T,clip(π_sc(θ),1-ε,1+ε)A?_T)]。第6节实现用Intel i5/i7、16 GB、Ubuntu 18.04、NS-3，40轮离线训练，QNN推理毫秒级。第7节实验在50节点下对比六基线：准确率97.6%（Graph-Wavenet 93.3%）、精确率87.33%、召回88.63%、F1 89.25%、RMSE 5.98、MAE 0.077、AUC 0.897、投递率93%、传输延迟30 ms、告警时效0.53、伪造检测95%；随节点增至250时投递与检测率下降但仍优基线，训练损失收敛至86.2且平稳。第8节结论浓缩为TSGAN各模块协同达成预测与分发双优，未来将引入隐私保护、抗对抗攻击、多模态与大规模实测。

讨论与结论翻译：本研究提出交通安全图注意力网络（TSGAN），一种用于车联网（IoV）实时事故风险预测与上下文感知安全消息分发的新颖深度学习框架。TSGAN集成空间图注意力模块（SGAM）作动态空间建模与时间卷积模块（TCM）作多尺度时间学习，实现精细时空理解；双阶段风险预测架构并发估计事故似然与严重度，比传统单输出更全面；影响感知风险分发模块依预测风险与严重度排程优先权，并由雾基深度强化学习（FOG-DRL）以近端策略优化（PPO）与量子神经网络（QNN）优化。在真实IoV数据与NS-3仿真上的广泛评估显示，TSGAN在准确率、F1、传输延迟、消息投递率、伪造消息检测率、RMSE、MAE与AUC上均优于XGBoost、MLP、GRU、SDCAE、Conv-LSTM与Graph-Wavenet。该框架为现实IoV部署提供早警与严重度感知告警、自适应调度增效与内置伪造检测增安，雾架构保低延迟，适于大城市；后续将扩展隐私保护学习、抗对抗鲁棒性、多模态传感与大规模实测，以桥接实验与落地，助连自动驾驶时代降事故升安全。