面向对抗攻击的物理信息交通图神经网络的不确定性量化

《ACM Transactions on Cyber-Physical Systems》：Uncertainty Quantification for Physics-Informed Traffic Graph Networks with Adversarial Attacks

　　预测时空模式对于智能交通系统（ITS）中的交通流预测至关重要，因为准确的预测能够显著提升交通管理和决策能力。近期的数据驱动方法，尤其是将图神经网络（GNN）与物理信息偏微分方程（PDE）相结合的方法，在建模复杂交通动力学方面展现出了强大的能力。然而，这些模型仍可能产生过度自信但错误的预测，这在安全关键场景中尤为成问题。不确定性量化（UQ）通过估计预测置信度（而非仅关注准确性）来增强预测的可靠性以及神经网络的实用性。尽管其重要性显著，现有交通预测中的不确定性量化方法主要是为纯数据驱动模型而开发的，而物理信息建模在不确定性估计中的作用仍未得到充分理解。在本文中，我们将多种不确定性量化基线方法与物理信息建模相结合，系统地研究了物理约束如何影响交通预测中的不确定性估计。我们进一步提出了一种物理信息损失函数，以增强模型捕捉物理一致动态的能力，并改善不确定性估计的校准性和可靠性。此外，我们在噪声和对抗扰动下评估了模型的鲁棒性，结果表明我们的方法在分布偏移下能够产生更稳定的预测和不确定性估计。在真实世界交通数据集上的大量实验表明，我们的方法同时提升了预测准确性和不确定性质量，在短期交通速度预测误差上实现了高达14.8%的改进，在长期交通速度预测误差上实现了8.7%的改进，同时提供了校准性更好且更鲁棒的不确定性估计。