Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks
Columbia University（哥伦比亚大学）
本文旨在使用基于物理信息的深度学习（PIDL）的生成对抗网络来量化流量状态估计（TSE）中的不确定性。焦点的不确定性来自基本图，换句话说，从交通密度到速度的映射。量化TSE问题的不确定性是为了表征预测交通状态的鲁棒性。自诞生以来，生成对抗网络（GAN）已经成为一种流行的概率机器学习框架。在本文中，我们将通知GAN为基础的预测使用随机交通流模型和开发一个GAN为TSE的PIDL框架，命名为"PhysGAN-TSE”。通过对真实世界数据集，下一代仿真（NGSIM）数据集进行实验，该方法被证明是更强大的不确定性量化比纯GAN模型或纯交通流模型。两个物理模型，Lighthill-Whitham-Richards（LWR）和Aw-Rascle-Zhang（ARZ）模型，作为PhysGAN的物理组件进行了比较，结果表明，ARZ的PhysGAN实现了更好的性能比LWR的。
2022-11-09 cs.LG
VISAT: Benchmarking Adversarial and Distribution Shift Robustness in Traffic Sign Recognition with Visual Attributes
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Brown University（布朗大学）；William & Mary（威廉与玛丽学院）
本文提出VISAT数据集与基准测试套件，基于MTSD构建对抗攻击与分布偏移基准，利用PGD和ImageNet-C评估ResNet-152与ViT-B/32等基础及多任务模型鲁棒性，揭示MTL任务间虚假相关性，促进自动驾驶鲁棒模型开发。
2025-10-29 cs.AI cs.CR cs.LG
Trajectory Prediction using Generative Adversarial Network in Multi-Class Scenarios
预测交通智能体的运动轨迹是自动驾驶的一项重要任务。大多数以前的工作轨迹预测只考虑一类道路代理。我们使用一个序列到序列模型来预测未来的路径从观察到的路径，我们将类信息到模型中连接提取的标签表示与传统的位置输入。我们使用LSTM和Transformer编码器进行实验，并使用Social GAN中引入的生成对抗网络来学习流量代理的多模态行为。我们训练我们的模型在斯坦福无人机数据集，其中包括6类道路代理和评估的影响，不同的模型组件的预测性能在多类场景。
2021-10-18 cs.AI cs.LG
TrafficFlowGAN: Physics-informed Flow based Generative Adversarial Network for Uncertainty Quantification
Columbia University（哥伦比亚大学）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
本文提出了一种基于物理信息流的生成对抗网络（GAN）--GAN流GAN，用于动态系统的不确定性量化（UQ）。EschericFlowGAN采用规范化流模型作为生成器来显式估计数据可能性。该流模型被训练以最大化数据可能性并生成可以欺骗卷积神经网络的合成数据。我们使用先前的物理信息进一步规范这个训练过程，即所谓的物理信息深度学习（PIDL）。据我们所知，我们是第一个提出一个集成流，GAN和PIDL的UQ问题。我们以交通状态估计（TSE）为例，它的目的是估计交通变量（如交通密度和速度）使用部分观测数据，以证明我们提出的模型的性能。我们进行了数值实验，该模型被应用于学习随机微分方程的解决方案。实验结果证明了该模型的鲁棒性和准确性，以及学习机器学习代理模型的能力。我们还测试了一个真实世界的数据集，下一代仿真（NGSIM），以表明所提出的mixicFlow GAN可以优于基线，包括纯流模型，物理信息流模型，和基于流的GAN模型。
2022-10-15 cs.LG
AR-GAN: Generative Adversarial Network-Based Defense Method Against Adversarial Attacks on the Traffic Sign Classification System of Autonomous Vehicles
Clemson University（克莱姆森大学）
提出AR-GAN防御框架，通过GAN重建去噪并分类交通标志图像，在黑盒与FGSM、DeepFool、C&W、PGD白盒攻击下均表现稳健，尤其在强白盒扰动中优于基准方法。
2023-12-31 cs.AI cs.CR cs.CV
ZipNet-GAN: Inferring Fine-grained Mobile Traffic Patterns via a Generative Adversarial Neural Network
大规模移动流量分析对于数字基础设施配置、公共交通、活动规划和其他领域变得至关重要。然而，监控全市范围的移动流量是一个复杂而昂贵的过程，依赖于专用探头。其中一些探测器的精度或覆盖范围有限，另一些每天收集数十GB的日志，这些日志独立提供有限的见解。提取细粒度的模式涉及昂贵的测量、存储和后处理的空间聚合。在本文中，我们提出了一种移动流量超分辨率技术，克服了这些问题，通过推断狭隘的本地化的流量消费从粗糙的测量。我们从图像处理中汲取灵感，设计了一个针对移动网络的深度学习架构，它结合了Zipper网络（ZipNet）和生成对抗神经网络（GAN）模型。这使得能够唯一地捕获在广泛覆盖区域上常规监测的交通量快照（“低分辨率”）与通常在密集计算之后获得的0.05 km $^2$水平上的相应消耗（“高分辨率”）之间的时空关系。我们进行的实验与现实世界的数据集表明，拟议的ZipNet（-GAN）推断流量消耗具有显着的准确性和高达100 $\times$更高的粒度相比，标准的探测，同时优于现有的数据插值技术。据我们所知，这是第一次将超分辨率概念应用于大规模移动交通分析，我们的解决方案是第一个从粗聚合物中推断细粒度城市交通模式的解决方案。
2017-11-07 cs.LG cs.NI
IGANI: Iterative Generative Adversarial Networks for Imputation with Application to Traffic Data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在智能交通系统中越来越多地使用传感器数据，需要精确的插补算法，以便在偶尔缺乏数据的情况下实现可靠的交通管理。生成对抗网络（GANs）是一种隐式生成模型，可用于数据填补，是一种有效的填补方法。这项工作介绍了一种新的迭代GAN架构，称为迭代生成对抗网络的插补（IGANI），数据插补。IGANI分两步对数据进行插补，并保持生成插补器的可逆性，这将被证明是所提出的基于GAN的插补收敛的充分条件。我们所提出的方法的性能进行评估（1）在中国广州市收集的交通速度数据的插补，并使用插补数据的短期交通预测模型的训练，和（2）插补的多变量交通数据的高速公路在波特兰-温哥华大都市地区，其中包括体积，占用率，和速度与不同的缺失率为他们每个人。结果表明，我们提出的算法大多产生更准确的结果相比，以前的基于GAN的插补架构。
2021-06-21 cs.LG stat.CO stat.ML
A rapid approach to urban traffic noise mapping with a generative adversarial network
Shenyang Jianzhu University（沈阳建筑大学）；National University of Singapore（新加坡国立大学）；Dalian University of Technology（大连理工大学）
本文提出一种基于生成对抗网络的城市交通噪声快速制图方法，以道路和建筑物为输入，在Grasshopper中集成工具，帮助规划人员在早期设计阶段快速评估声学影响。
2024-08-31 cs.LG physics.app-ph
FGAN: Federated Generative Adversarial Networks for Anomaly Detection in Network Traffic
BITS Pilani（皮拉尼比尔拉理工学院）
在过去的二十年里，人们在提高网络安全方面做了大量的工作，特别是在入侵检测系统（IDS）和异常检测方面。机器学习解决方案也已被用于IDS中，以检测传入流量中的已知和可能的攻击。诸如分组内容、发送方IP和发送方端口、连接持续时间等的参数先前已被用于训练这些机器学习模型，以学习区分真实流量和恶意流量。生成对抗网络（GANs）在检测此类异常方面取得了显著的成功，这主要归功于生成器和神经网络的对抗训练，试图绕过对方，从而提高自己的能力和准确性。然而，在网络的可能不同区域具有各种各样的流量并且容易受到大量潜在攻击的大型网络中，针对特定类型的异常训练这些GANs可能会使其忽略其他异常和攻击。此外，训练这些模型所需的数据集必须集中提供并公开访问，这就提出了网络各个参与者通信隐私的明显问题。这项工作中提出的解决方案旨在通过在这种规模和容量的网络中使用联邦架构中的GANs来解决上述两个问题。在这样的设置中，网络的不同用户将能够根据他们自己经常面对的条件来训练和定制一个集中可用的对抗模型。同时，网络的成员用户也将能够从网络中的其他用户的体验中获益。
2022-03-21 cs.CR cs.LG
A GAN-Based Framework for Robust DDoS Attack Detection
Islamic University of Lebanon（黎巴嫩伊斯兰大学）；Lebanese University（黎巴嫩大学）；Polytechnic Institute of Paris（巴黎综合理工学院）；Télécom Paris（巴黎电信学院）
提出一种结合WGAN-GP生成对抗网络与多种机器学习模型的DDoS检测框架，通过生成对抗流量增强模型鲁棒性，实验证明能显著提升对未知对抗攻击的检测能力。
2026-09-17 cs.CR cs.LG
Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Zhejiang University（浙江大学）；East China Normal University（华东师范大学）
本文提出TrendGCN，通过联合时空嵌入和GAN结构同时建模交通序列的动态时空依赖与统计分布一致性，在六个基准数据集上取得最先进的鲁棒预测性能。
2023-08-11 cs.LG
Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images
Iowa State University（爱荷华州立大学）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本研究提出基于GAN的TSDIGAN框架，结合新颖的GASF时间依赖编码方法将交通时序数据转化为图像生成问题，在PeMS基准数据集上显著提升了高缺失率（>50%）下的数据插补精度。
2020-05-05 cs.LG eess.SP
Physical Evaluation of Naturalistic Adversarial Patches for Camera-Based Traffic-Sign Detection
Department of Computing Sciences, University of Hartford（计算科学系，哈特福大学）；Department of Electrical and Computer Engineering, Tennessee Technological University（电气与计算机工程系，田纳西技术大学）；Center for Manufacturing Research, Tennessee Technological University（制造研究中心，田纳西技术大学）
本文通过构建CompGTSRB数据集，评估自然对抗性补丁在物理交通标志检测中的有效性，并提出系统物理协议以提升补丁评估的可信度。
2026-02-27 cs.AI cs.CR cs.CV
SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries
UC Berkeley（加州大学伯克利分校）；NEC Labs America（美国NEC实验室）；UC San Diego（加州大学圣迭戈分校）
SAFE-SIM 提出基于扩散模型的可控闭环安全关键交通仿真框架，通过去噪对抗项和引导目标生成真实且可控的长尾对抗场景，并在多个规划器上验证了真实性与可控性提升。
2024-08-06 cs.AI cs.CV cs.LG
Incident-Guided Spatiotemporal Traffic Forecasting
the State Key Laboratory of Complex and Critical Software Environment, Beihang University（北京航空航天大学复杂关键软件环境国家重点实验室）；School of Transportation Science and Engineering, Beihang University（北京航空航天大学交通科学与工程学院）
本文提出IGSTGNN框架，通过ICSF和TIID模块建模事件影响，构建大规模数据集提升交通预测精度。
2026-04-07 cs.AI cs.LG
Know Unreported Roadway Incidents in Real-time: Early Traffic Anomaly Detection
Department of Civil and Environmental Engineering, Carnegie Mellon University（土木与环境工程系，卡内基梅隆大学）；Heinz College, Carnegie Mellon University（海因兹学院，卡内基梅隆大学）
本研究提出一种利用先验领域知识和模型设计策略的深度学习框架，用于实时、尽早检测或预测未报告的交通异常，实验证明其在不同地图的多个路段上更有效且更早。\n
2025-04-23 cs.AI cs.LG
End-to-End Adversarial Learning for Intrusion Detection in Computer Networks
Sharif University of Technology（谢里夫理工大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
本文提出了一种简单而有效的基于异常的入侵检测系统（IDS）方法。实际上，IDS可以被定义为一个单类分类系统，其中正常业务是目标类。网络攻击的高度多样性以及对泛化的需求，促使我们提出一种半监督的方法。受生成对抗网络（GANs）在半无监督环境中训练深度模型的成功启发，我们提出了一种用于IDS的端到端深度架构。所提出的架构由两个深度网络组成，每个深度网络都通过相互竞争来理解正常流量类的基本概念。本文的核心思想是通过从正常流量中近似获得异常流量来弥补异常流量的不足。在这种情况下，我们的方法不会偏向于训练集中的可用入侵，从而实现更准确的检测。在NSL-KDD数据集上对该方法进行了验证。结果证实，我们的方法优于其他国家的最先进的方法。
2019-04-25 cs.CR cs.LG stat.ML
Robustness of Reinforcement Learning-Based Traffic Signal Control under Incidents: A Comparative Study
本研究提出开源仿真框架T-REX，构建鲁棒性度量体系，对比评估多种前沿RL-TSC方法在事故场景下的性能，发现分层协调方法鲁棒性更优但收敛慢、复杂度高，为RL-TSC的鲁棒性研究提供了标准化基准平台。
2025-06-16 cs.AI cs.LG
"How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction
Fudan University（复旦大学）；Aalto University（阿尔托大学）；University of Chicago（芝加哥大学）
准确的交通速度预测是交通规划中一个重要而又具有挑战性的课题。以往的交通速度预测研究主要采用时空和上下文特征进行预测。但是，他们没有很好地利用城市交通事件的影响。在这项工作中，我们的目标是利用城市事件的信息，以实现更好的预测交通速度。我们的事件驱动预测框架由三个过程组成。首先，我们提出了一个关键事件发现方法，发现城市交通事件的交通速度有很大的影响。其次，我们设计了一个二元分类器，它使用深度学习方法从分类器的中间层提取潜在的事件影响特征。结合上述方法，提出了一种深度事件感知图卷积网络（DIGC-Net），有效地结合城市交通事件、时空、周期和上下文特征进行交通速度预测。我们在旧金山和纽约的两个真实城市交通数据集上进行实验。结果表明，我们的模型相比竞争基准的优越性能。
2019-12-03 cs.LG eess.SP stat.ML
TITAN: A Spatiotemporal Feature Learning Framework for Traffic Incident Duration Prediction
Virginia Tech（弗吉尼亚理工大学）；George Mason University（乔治梅森大学）
交通事件关键阶段的识别和事件持续时间的合理预测是交通事件管理的基础。在本文中，我们提出了一个交通事件持续时间预测模型，同时预测交通事件的影响，并确定通过多任务学习框架的时间特征的关键组。首先，我们制定了一个稀疏优化问题，提取低层次的时间特征的基础上，交通速度读数，然后概括为交通事件的阶段更高层次的功能。第二，我们提出了新的约束特征相似性利用先验知识的道路网络的空间连通性来预测事件的持续时间。由于正交性约束、非凸性目标和非光滑性惩罚，所提出的问题是具有挑战性的。我们开发了一个算法的基础上交替方向的乘子法（ADMM）框架来解决所提出的配方。大量的实验和比较其他模型的真实世界的交通数据和交通事件记录证明我们的模型的有效性。
2019-11-20 cs.LG stat.ML
Traffic incident duration prediction via a deep learning framework for text description encoding
University of Technology, Sydney（悉尼科技大学）
预测交通事件持续时间是一个很难解决的问题，由于事件发生的空间和时间的随机性，在报告的交通中断开始时缺乏信息，以及缺乏先进的交通工程方法来从过去的事故中获得见解。本文提出了一种新的融合框架，用于通过将机器学习与交通流量/速度和事件描述集成为特征，通过几种深度学习方法（ANN自动编码器和字符级LSTM-ANN情感分类器）编码，从有限的信息中预测事件持续时间。本文构建了一种跨学科的交通和数据科学建模方法。与应用于基线事件报告的性能最佳的ML模型相比，该方法提高了事件持续时间预测的准确性。结果表明，与标准线性或支持向量回归模型相比，我们提出的方法可以通过$60\%$提高准确性，并且相对于混合深度学习自动编码的GBDT模型，$7\%$进一步改进，该模型似乎优于所有其他模型。应用区域是旧金山市，拥有丰富的交通事件日志（全国交通事故数据集）和过去的历史交通拥堵信息（来自Caltranss性能测量系统的5分钟精确测量）。
2022-09-19 cs.LG
IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence
University of Technology Sydney（悉尼科技大学）；University of Newcastle（纽卡斯尔大学）
本文提出 IncidentResponseGPT 框架，利用生成式 AI 生成区域自适应的交通事件响应方案，并结合 TOPSIS 方法对方案进行排序，以加速决策并降低事件对城市交通网络的影响。
2024-10-18 cs.HC cs.LG
Automating the loop in traffic incident management on highway
Politecnico di Milano（米兰理工大学）；MOVYON SpA（MOVYON股份公司）
本文针对高速公路事件管理中操作员高压决策问题，提出LLM+优化混合与全LLM两种决策支持方法，并基于意大利Autostrade历史事件数据验证，发现混合方案更可靠。
2025-03-15 cs.AI cs.HC cs.LG
A data-centric weak supervised learning for highway traffic incident detection
Purdue University（普渡大学）；Argonne National Laboratory（阿贡国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
使用来自环路检测器传感器的数据对高速公路中的交通事件进行近实时检测对于避免重大交通拥堵至关重要。虽然最近的监督机器学习方法通过利用人类标记的事件数据来提供事件检测的解决方案，但误报率通常太高而无法在实践中使用。具体而言，事件的人类标记的不一致性显著影响监督学习模型的性能。为此，我们专注于一个以数据为中心的方法，以提高准确性和降低误报率的高速公路上的交通事件检测。我们开发了一个弱监督学习工作流程，为没有地面真实标签的事件数据生成高质量的训练标签，并在监督学习设置中使用这些生成的标签进行最终检测。这一办法包括三个阶段。首先，我们介绍了一个数据预处理和策展管道，处理交通传感器数据，以生成高质量的训练数据，通过利用标签功能，这可以是领域知识相关的或简单的启发式规则。其次，我们使用三种监督学习模型-随机森林，k-最近邻和支持向量机集成-和长短期记忆分类器来评估弱监督产生的训练数据。结果表明，使用弱监督生成的训练数据后，所有模型的精度都有显著提高。第三，我们开发了一种在线实时事件检测方法，利用模型集成和不确定性量化，同时检测事件。总体而言，我们表明，我们提出的弱监督学习工作流程实现了高事件检测率（0.90）和低误报率（0.08）。
2022-08-02 cs.LG
RadNet: Incident Prediction in Spatio-Temporal Road Graph Networks Using Traffic Forecasting
Imperial College London（帝国理工学院）；TRL Software Limited（TRL软件有限公司）；University of Bath（巴斯大学）
在时空系统中，有效和准确的事件预测对于最小化服务停机时间和优化性能至关重要。这项工作的目的是利用历史数据来预测和诊断事件使用时空预测。我们考虑道路交通系统的特定用例，其中事件以异常事件的形式出现，例如事故或故障车辆。为了解决这个问题，我们开发了一个名为RadNet的神经模型，它可以预测系统参数，例如未来时间步长的平均车速。由于这些系统基本上遵循每日或每周的周期性，我们将RadNet的预测与历史平均值进行比较，以标记事件。与以前的工作不同，RadNet在两种排列中推断空间和时间趋势，最后在预测之前结合密集表示。这有助于明智的推断和更准确的事件检测。两个公开的和一个新的道路交通数据集的实验表明，该模型给出了高达8%的预测F1分数相比，国家的最先进的方法。
2022-06-11 cs.LG
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
University of Hong Kong（香港大学）；Massachusetts Institute of Technology（麻省理工学院）；City University of Hong Kong（香港城市大学）；The Hong Kong Polytechnic University（香港理工大学）
准确的实时交通预测对于智能交通系统（ITS）至关重要，它是各种智能移动应用的基石。虽然这一研究领域由深度学习主导，但最近的研究表明，通过开发新的模型结构来提高准确性的效果正在变得微不足道。相反，我们设想可以通过在具有不同数据分布和网络拓扑的城市之间传输“预测相关知识”来实现改进。为此，本文旨在提出一种新的可转移的流量预测框架：域对抗时空网络（DASTNet）。DASTNet在多个源网络上进行预训练，并根据目标网络的流量数据进行微调。具体来说，我们利用图表示学习和对抗性领域自适应技术来学习域不变的节点嵌入，这进一步被纳入建模的时间流量数据。据我们所知，我们是第一个采用对抗性多领域自适应的网络范围内的流量预测问题。DASTNet在三个基准数据集上的性能始终优于所有最先进的基线方法。经过训练的DASTNet应用于香港的新交通探测器，当探测器可用时，可以立即（在一天内）提供准确的交通预测。总体而言，本研究提出了一种替代方案，以提高交通预测方法，并提供了实际意义的城市缺乏历史交通数据。
2022-08-19 cs.AI cs.LG
DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks
Virginia Tech（弗吉尼亚理工大学）；South Dakota State University（南达科他州立大学）
交通事件影响的及时估计可以指导通勤者进行出行规划，提高交通机构决策的弹性。然而，它比节点级和图级预测任务更具挑战性，因为它需要从动态图中提取异常子图或子时间序列。在本文中，我们提出了DG-Trans，一种新的交通事件影响预测框架，通过动态图学习来预测交通事件的影响。该框架包含一个双层的空间Transformer和一个基于重要性分数的时间Transformer，该框架的性能是合理的两个新构建的基准数据集。双层空间Transformer移除节点之间不必要的边，以将受影响的子图与其他节点隔离。同时，基于重要性分数的时间Transformer识别节点特征的异常变化，导致预测更多地依赖于事件发生后的测量变化。因此，DG-Trans具有提取时空依赖性和识别受事件影响的异常节点的双重能力，同时消除良性节点引入的噪声。在真实数据集上的大量实验验证了DG-Trans优于现有的最先进的方法，特别是在提取时空依赖模式和预测交通事故影响方面。它为交通事故管理系统提供了很好的潜力。
2023-03-21 cs.LG cs.SI
Automatic Incident Classification for Big Traffic Data by Adaptive Boosting SVM
Hong Kong Baptist University（香港浸会大学）；The University of Hong Kong（香港大学）
现代城市经历了繁忙的交通流量和跨越空间和时间的定期碰撞。监控交通状况成为交通控制与监控系统（TCSS）的一个重要挑战。在先进的TCSS中，它有助于自动检测和分类不同的交通事件，如拥堵的严重程度，异常驾驶模式，突然或非法停车的道路等，虽然大多数TCSS配备了基本的事件检测算法，但他们是粗糙的，是真正有用的自动化工具，进一步分类。在文献中，缺乏对自动事件分类（AIC）的研究。因此，本文提出了一种新的AIC方法来应对这些挑战。在所提出的方法中，交通信号首先从捕获的视频中提取并转换为时空（ST）信号。根据ST信号的特点，生成一组真实的仿真数据，构建一个扩展的大交通数据库，以涵盖各种交通情况。接着，引入均值漂移滤波器来抑制噪声的影响，并从ST信号中提取重要特征。然后将提取的特征与各种类型的流量数据相关联：一种正常类型（内点）和多种异常类型（离群点）。对于分类，训练自适应boosting分类器以自动检测流量数据中的离群值。此外，支持向量机（SVM）为基础的方法采用训练模型识别类别的离群值。简而言之，这种混合方法被称为自适应提升支持向量机（AB-SVM）方法。实验结果表明，该方法取得了令人满意的结果，平均超过92%的分类准确率。
2015-12-28 cs.LG
Traffic signal control optimization under severe incident conditions using Genetic Algorithm
DATA61 | CSIRO（联邦科学与工业研究组织数据61所）；University of Technology Sydney（悉尼科技大学）
交通控制优化是一个具有挑战性的任务，在世界上的各种交通中心和大多数的方法只集中在正常（经常性）的交通条件下应用自适应方法。但是，当严重事故发生时，优化控制计划仍然是一个很难解决的问题，特别是如果大量的车道或整个交叉口受到影响。本文旨在解决这一问题，并提出了一种新的方法来优化信号交叉口的交通信号配时，在非重现性交通事件。该方法依赖于部署遗传算法（GA）考虑的阶段持续时间作为决策变量和目标函数，以最小化的总旅行时间在网络中。首先，我们开发了遗传算法的信号测试床网络在经常性的交通条件下，与微调的交叉，变异，适应度计算的算法的目的，并获得最佳相位持续时间。其次，我们应用之前在影响网络中交通流量的严重事件下发现的最佳信号配时，但没有任何进一步的优化。最后，我们进一步应用GA优化事件条件下，我们的方法提高了近40.76%的总行程时间。
2019-06-11 cs.LG cs.SY eess.SY
Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models
College of Civil Engineering and Architecture, Zhejiang University（浙江大学建筑工程学院）；Department of Civil and Environmental Engineering, Princeton University（普林斯顿大学土木与环境工程系）；School of Engineering, Monash University（莫纳什大学工程学院）；Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University（香港理工大学土木与环境工程系）
实时交通预测模型在智能移动系统中发挥着关键作用，并已广泛应用于路径引导、新兴移动服务和先进的交通管理系统。随着海量交通数据的可用性，基于神经网络的深度学习方法，特别是图卷积网络（GCN），在挖掘时空信息、实现高预测精度方面表现出了突出的性能。最近的研究揭示了GCN在对抗攻击下的脆弱性，而缺乏研究来了解基于GCN的流量预测模型的脆弱性问题。鉴于此，本文提出了一个新的任务--扩散攻击，研究基于GCN的流量预测模型的鲁棒性。扩散攻击的目的是选择和攻击一小部分节点，以降低整个预测模型的性能。为了进行扩散攻击，提出了一种新的攻击算法，该算法包括两个主要部分：1）用同时扰动随机近似（SPSA）逼近黑箱预测模型的梯度; 2）采用背包贪心算法选择攻击节点。在两个城市使用三种基于GCN的交通预测模型：St-Gcn、T-Gcn和A3 t-Gcn来检验所提出的算法。该算法在各种场景下的对抗攻击任务中表现出较高的效率，并且在DropOut、DropNode和DropEdge等丢弃正则化下仍能生成对抗样本。研究结果有助于提高基于GCN的交通预测模型的鲁棒性，更好地保护智能移动系统。我们的代码可在www.example.com上获得
2021-04-19 cs.AI cs.LG
A model for traffic incident prediction using emergency braking data
MBition GmbH（MBition有限公司）；Daimler AG（戴姆勒股份公司）；Imperial College London（伦敦帝国理工学院）
本文提出了一种交通事件预测模型。具体来说，我们通过在紧急制动事件而不是事故上训练我们的模型来解决道路交通事故预测中数据稀缺的根本问题。基于交通事故的相关风险因素和相应的数据类别，我们评估了不同的预处理方案稀疏数据和不同的机器学习模型。此外，我们提出了一个原型实现的交通事故预测模型，德国的紧急制动数据的基础上，从梅赛德斯-奔驰汽车以及天气，交通和道路数据，分别。经过模型评估和优化，我们发现在人工平衡（欠采样）数据上训练的随机森林模型在原始不平衡数据上提供了85%的最高分类准确率。最后，我们提出了我们的结论，并讨论了进一步的工作，从收集更多的数据在更长的时间内建立更强大的分类系统，以增加内部因素，如驾驶员的视觉和认知注意力。
2021-05-28 cs.CY cs.LG
Learning to Recommend Signal Plans under Incidents with Real-Time Traffic Prediction
Carnegie Mellon University（卡内基梅隆大学）
在本文中要解决的主要问题是建议最佳的信号配时计划在实时事件下，结合领域知识开发的交通信号配时计划调整可能的事件，并从历史数据的交通和实施信号配时学习。交通事故管理的有效性往往受到交通运营商延迟响应时间和过度工作量的限制。本文提出了一种新的决策框架，从数据和领域知识中学习实时推荐应急信号计划，以适应非经常性的交通，从实时交通预测的输出至少提前30分钟。具体而言，考虑到罕见的事件的应急信号计划的参与，我们建议分解成两个层次模型的端到端的推荐任务：实时交通预测和计划关联。我们通过度量学习来学习这两个模型之间的联系，这加强了从历史信号参与记录中观察到的偏序偏好。我们通过在2019年蔓越莓镇的交通网络上测试这个框架来证明我们方法的有效性。实验结果表明，该推荐系统在测试计划上的准确率为96.75%，召回率为87.5%，推荐时间平均比Waze警报提前22.5分钟。结果表明，我们的框架是能够给交通运营商一个显着的时间窗口，以访问的条件和适当的反应。
2020-05-21 cs.LG eess.SP stat.ML
Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data
University of Central Florida（中佛罗里达大学）
本研究利用车辆轨迹数据和机器学习算法，通过随机森林模型实现高速公路交通事故的先进实时检测，提升事故预警能力。
2024-08-15 cs.CY cs.LG stat.AP
Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation
University of Technology Sydney（悉尼科技大学）
由于事件的随机性，预测交通事件的持续时间是一项具有挑战性的任务。准确预测事故将持续多长时间的能力可以为最终用户的路线选择和交通运营管理人员在处理非经常性交通拥堵方面提供显着的好处。本文提出了一种新的双层机器学习框架，该框架增强了离群点去除和内外联合优化，用于预测来自澳大利亚悉尼和美国旧金山的三个异构数据集的事件持续时间。首先，我们使用事件数据日志开发了一种二元分类预测方法，这使我们能够将交通事故分为短期或长期。我们找到了短期与长期交通事件持续时间之间的最佳阈值，目标是类平衡和预测性能，同时还比较了二进制与多类分类方法。其次，为了将事件持续时间预测的粒度提高到分钟级别，我们提出了一种新的内部-外部联合优化算法（IEO-ML），该算法扩展了多个基线ML模型，并在数据集上对多个回归场景进行了测试。最终结果表明：a）40-45分钟是识别短期与长期事件的最佳分割阈值，这些事件应单独建模，b）我们提出的IEO-ML方法在所有情况下的$66\%$中显着优于基线ML模型，展示了其在准确事件持续时间预测方面的巨大潜力。最后，我们评估了特征的重要性，并显示时间，位置，事件类型，事件报告源和天气在前10个关键因素，影响事件将持续多久。
2022-05-18 cs.LG
QTIP: Quick simulation-based adaptation of Traffic model per Incident Parameters
Technical University of Denmark (DTU)（丹麦技术大学（DTU））
目前的数据驱动交通预测模型通常使用大型数据集进行训练，例如几个月的速度和流量。这些模型非常适合普通的道路条件，但往往在最需要的时候失败：当交通遭受突然和重大的中断时，例如道路事故。在这项工作中，我们描述了QTIP：一个基于模拟的框架，准瞬时适应交通中断后的预测模型。简而言之，QTIP针对多种场景对受影响的道路进行实时模拟，分析结果，并相应地建议对普通预测模型进行更改。QTIP根据受影响车辆发出的即时遇险信号所传达的事件属性构建模拟场景。这种实时信号由车载监控系统提供，车载监控系统在世界范围内变得越来越普遍。我们实验QTIP在丹麦高速公路的案例研究，结果表明，QTIP可以提高交通预测的第一个关键分钟的道路事件。
2020-03-09 cs.LG eess.SP stat.ML
CycleSense: Detecting Near Miss Incidents in Bicycle Traffic from Mobile Motion Sensors
TU Berlin（柏林工业大学）；Einstein Center Digital Future（爱因斯坦数字未来中心）；BHT Berlin（柏林应用科技大学）
在世界各地的城市中，汽车造成的健康和交通问题可以通过增加自行车的模式份额来部分缓解。然而，许多人由于缺乏安全感而避免骑自行车。对于城市规划者来说，解决这个问题是很困难的，因为他们缺乏对骑自行车的人感到安全和不安全的地方的见解。为了获得这样的见解，我们在以前的工作中提出了众包平台SimRa，它允许骑自行车的人通过智能手机应用程序记录他们的骑行和报告未遂事件。在本文中，我们提出了CycleSense，信号处理和机器学习技术的组合，部分自动化检测未遂事件，从而使报告未遂事件更容易。使用SimRa数据集，我们通过将其与SimRa使用的基线方法进行比较来评估CycleSense，并表明它显着提高了事件检测。
2023-03-14 cs.CY cs.LG eess.SP
Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Guangzhou HKUST Fok Ying Tung Research Institute（广州香港科技大学霍英东研究院）；The Hong Kong University of Science and Technology（香港科技大学）
基于机器学习的交通预测模型利用复杂的时空自相关来提供对城市范围的交通状态的准确预测。然而，现有的方法假设一个可靠和公正的预测环境，这并不总是在野外可用。在这项工作中，我们调查时空流量预测模型的脆弱性，并提出了一个实用的对抗时空攻击框架。具体来说，而不是同时攻击所有的地理分布的数据源，迭代梯度引导节点显着性方法，提出了识别的受害者节点的时间相关的设置。此外，我们设计了一个时空梯度下降为基础的计划，以产生真正价值的对抗交通状态下的扰动约束。同时，我们从理论上证明了对抗性流量预测攻击的最坏性能界。两个真实世界的数据集上的广泛实验表明，所提出的两步框架实现了高达$67.8\%$性能退化的各种先进的时空预测模型。值得注意的是，我们还表明，使用我们提出的攻击进行对抗性训练可以显着提高时空流量预测模型的鲁棒性。我们的代码在\url{https://github.com/luckyfan-cs/ASTFA}中可用。
2022-10-05 cs.AI cs.CR cs.LG
Decentralised Traffic Incident Detection via Network Lasso
Swinburne University of Technology（斯威本科技大学）；CSIRO（联邦科学与工业研究组织）
针对去中心化交通事件检测，本文将凸机器学习模型集成到具有全局收敛保证的 Network Lasso 框架中，并在标准数据集上验证其可作为联邦学习的有效替代。
2024-02-28 cs.LG
Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers
Department of Mechanical and Aerospace Engineering and the Center for Automotive Research, The Ohio State University（机械与航空航天工程系和汽车研究中心，俄亥俄州立大学）；Ohio Department of Transportation（俄亥俄州交通部）；Honda Research Institute USA, Inc.（本田美国研究院）
本文提出一种基于适应性符合性预测的时空变换器模型，通过动态邻接矩阵和事故相关信号改进长周期交通预测的准确性和不确定性校准。
2026-03-17 cs.LG
Ctx2TrajGen: Traffic Context-Aware Microscale Vehicle Trajectories using Generative Adversarial Imitation Learning
本文提出 Ctx2TrajGen 框架，融合 GAIL、PPO 与 WGAN-GP，并依据周围车辆和道路几何生成交互感知轨迹，在 DRIFT 数据集上显著提升真实性、多样性与情境保真度。
2025-07-23 cs.AI cs.LG
Machine learning framework for end-to-end implementation of Incident duration prediction
Institute of Transportation（交通研究所）；Iowa State University（爱荷华州立大学）
本文提出端到端机器学习框架，结合分类与回归模块，利用事件接报初期信息预测持续时间，并在MAE、AUC和MAPE上优于既有方法。
2023-04-23 cs.AI cs.LG
An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction
University of California, Los Angeles（加州大学洛杉矶分校）
针对施工区交通影响预测研究稀缺的问题，提出数据集成流水线与基于注意力的多上下文卷积编码器-解码器深度学习模型，利用二维时空图像捕捉时空依赖关系，在预测交通速度、事故可能性及拥堵属性上显著优于基线模型。
2024-05-31 cs.LG
Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods
University of Technology Sydney（悉尼科技大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61研究院）；University of New South Wales（新南威尔士大学）
本研究利用XGBoost、LightGBM等机器学习模型预测悉尼大都市区交通事故持续时间并分类，其中XGBoost表现最佳，并通过特征重要性分析揭示了影响事故持续时间的关键因素。
2024-07-05 cs.CY cs.LG
Towards Robust Deep Reinforcement Learning for Traffic Signal Control: Demand Surges, Incidents and Sensor Failures
Technical University of Denmark (DTU)（丹麦技术大学）
本文提出了一种开源的回调框架，用于在交通模拟环境中灵活评估不同深度强化学习配置，研究了深度强化学习自适应交通控制器在需求激增、事故导致的容量下降和传感器故障等场景下的表现，并提出了缓解这些外源不确定性的具体设计。
2019-07-22 cs.LG cs.SY eess.SY
Arterial incident duration prediction using a bi-level framework of extreme gradient-tree boosting
DATA61|CSIRO（联邦科学与工业研究组织数据61所）；Australian National University（澳大利亚国立大学）；University of Technology in Sydney（悉尼科技大学）
预测交通事故持续时间是世界各地许多交通中心面临的主要挑战。大多数研究集中在预测高速公路上的事件持续时间，而不是主干道，由于网络的高度复杂性和缺乏数据。在本文中，我们提出了一个双层框架预测事故持续时间在悉尼的干线公路网络，根据业务要求的事件清除目标是小于45分钟。使用事件基线信息，我们首先部署了一个分类方法，使用各种集成树模型，以预测是否会清除一个新的事件在不到45分钟或没有。如果事件被归类为短期的，然后开发各种回归模型，用于预测实际的事件持续时间，以分钟为单位，结合各种交通流特征。在通过随机搜索和交叉验证去除离群值和密集的模型超参数调整后，我们发现极端梯度提升方法优于所有模型，包括梯度提升决策树近53%。最后，我们进行了一个功能的重要性评价事件持续时间预测，并表明，最好的预测结果时，利用附近路段的实时交通流量的报告事故地点。
2019-05-29 cs.LG stat.ML
Enhancing Graph Neural Networks in Large-scale Traffic Incident Analysis with Concurrency Hypothesis
Clemson University（克莱姆森大学）；Northeastern University（东北大学）；University of Arizona（亚利桑那大学）
本研究基于美国49州道路网络数据提出并发假设，引入ANCD和ANCC指标验证，并开发并发先验方法增强GNN预测，在12种架构上实现F1提升3-13%，AUC提升1.3-9%。
2024-11-04 cs.LG cs.SI
Traffic Adaptive Moving-window Service Patrolling for Real-time Incident Management during High-impact Events
Department of Electrical and Computer Engineering, New York University, United States of America（电气与计算机工程系，纽约大学，美国）；Department of Civil and Urban Engineering, New York University, United States of America（土木与城市工程系，纽约大学，美国）
提出TAMPA算法，结合预测建模与动态规划，自适应调整巡逻路线，显著提升大型活动期间实时事件管理效率，仿真显示比静态和随机方法分别提升87.5%和114.2%。
2025-04-18 cs.LG math.OC
Enhancing Traffic Incident Management with Large Language Models: A Hybrid Machine Learning Approach for Severity Classification
University of Technology Sydney（悉尼科技大学）；University of Newcastle（纽卡斯尔大学）
本文提出一种混合机器学习方法，将大型语言模型生成的特征与传统事故报告特征相融合，用于交通事故严重程度分类，并在美、英、澳三个数据集上验证了其准确性和跨地域稳健性。
2024-04-29 cs.LG cs.SY eess.SY
Darknet Traffic Classification and Adversarial Attacks
San Jose State University（圣何塞州立大学）
暗网的匿名性通常被用于非法活动。之前的研究已经采用了机器学习和深度学习技术来自动检测暗网流量，试图阻止这些犯罪活动。这项研究旨在通过评估支持向量机（SVM），随机森林（RF），卷积神经网络（CNN）和分类器生成对抗网络（AC-GAN）来改进暗网流量检测，以分类此类流量和底层应用类型。我们发现，我们的RF模型优于CIC-Darknet 2020数据集先前工作中使用的最先进的机器学习技术。为了评估我们的RF分类器的鲁棒性，我们混淆选择应用程序类型类来模拟现实的对抗攻击场景。我们证明了我们的最佳性能分类器可以被这样的攻击击败，我们考虑的方法来处理这种对抗攻击。
2022-06-12 cs.CR cs.LG
Robust Spatiotemporal Traffic Forecasting with Reinforced Dynamic Adversarial Training
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对时空交通预测模型易受动态对抗攻击的问题，提出强化学习驱动的动态对抗训练框架与自知识蒸馏模块，有效增强模型防御能力并缓解过拟合与遗忘问题。
2023-06-25 cs.LG eess.SP
Adversarial Attacks on Traffic Sign Recognition: A Survey
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文综述针对交通标志检测与分类模型的数字及真实世界对抗攻击研究，梳理最新进展并指出未来需深入探索的方向。
2023-07-17 cs.CR cs.CV cs.LG
Physical Adversarial Attacks on Deep Neural Networks for Traffic Sign Recognition: A Feasibility Study
ZF Friedrichshafen AG（采埃孚股份公司）
深度神经网络（DNN）越来越多地应用于现实世界中的安全关键应用，如高级驾驶员辅助系统。这种用例的一个示例由交通标志识别系统表示。与此同时，众所周知，当前的DNN可以被对抗攻击愚弄，如果这些攻击可以在现实条件下应用，这会引起安全问题。在这项工作中，我们应用不同的黑盒攻击方法来产生扰动，这些扰动应用于物理环境中，并可用于在不同的环境条件下欺骗系统。据我们所知，我们是第一个将物理攻击的一般框架与不同的黑盒攻击方法相结合，并研究在相同设置下不同方法对攻击成功率的影响。我们表明，可靠的物理对抗攻击可以用不同的方法进行，它也可以减少所产生的扰动的可感知性。这些发现强调了即使在黑盒情况下也需要DNN的可行防御，但同时也为使用对抗训练等方法保护DNN奠定了基础，对抗训练利用对抗攻击来增强原始训练数据。
2023-02-27 cs.AI cs.CV cs.LG
DecompGAIL: Learning Realistic Traffic Behaviors with Decomposed Multi-Agent Generative Adversarial Imitation Learning
Nanyang Technological University（南洋理工大学）；Desay SV Automotive（德赛西威汽车）
DecompGAIL通过分解多智能体生成对抗模仿学习方法，解决多智能体设置中GAIL的不稳定性问题，提升交通行为的真实性和整体性能。
2026-01-26 cs.AI cs.LG cs.RO
Evaluating the impact of adversarial traffic patterns on vanet communication using veins simulation
Texas A&M University San Antonio（德克萨斯农工大学圣安东尼奥分校）
该研究利用Veins框架仿真，评估消息泛洪等对抗性交通模式对VANET通信的影响，发现其可大幅降低PDR与吞吐量，为构建更安全的车载网络提供了依据。
2026-08-18 cs.LG cs.NI
