面向安全的四因素时空框架：评估与缓解交通拥堵风险

为什么交通拥堵不仅仅是个麻烦

大多数人把交通拥堵视为令人恼火的时间浪费。但这项研究认为，它更严重：是整个城市路网的一种安全风险。道路一旦阻塞，城市处理事故、紧急事件或突发扰动的能力就会下降。作者提出了一种新的视角，将拥堵不仅看作车速变慢的现象，而视为可以实时测量、绘制和预测的一种风险，帮助城市在瘫痪蔓延之前采取行动。

构成交通风险的四个简单要素

研究者借鉴灾害科学中的一个直观观点：风险由四个要素决定。首先是危险性，指拥堵发生的可能性和严重程度。其次是暴露度，表示被困在拥堵中的车辆和人员数量。第三是脆弱性，反映局部问题传播的容易程度以及恢复所需的时间。第四是缓解能力，即系统通过绕行路线或智能信号等方式适应和恢复的能力。将这四个因素结合起来，就能更全面地区分一条繁忙道路是仅仅拥挤，还是已成为脆弱且易发生事故的高风险点。

把原始传感器数据变成风险地图

为使这些理念具备可操作性，团队利用了加州 PeMS 系统的大量高速公路数据，该系统每五分钟记录一次来自洛杉矶、橙县、湾区和圣地亚哥数千个探测器的速度、流量和车道占有率。他们对数据进行了仔细清洗、填补缺失，并构建了一个数字地图，将每个传感器作为节点，近邻或强相关的传感器之间建立连边。基于此，他们为每个要素计算了简明标准化的指标——例如速度的波动性（危险性）、流量强度（暴露度）、从拥堵中恢复的典型耗时（脆弱性）以及周边可替代路径的数量（缓解能力）。每个路段由此获得一个随时间变化的四维风险画像。

一种跟随交通在时空中演化的学习模型

在这些数据之上，作者设计了一种名为 HiST-Graph 的学习模型，这是一类时空图神经网络。与仅预测未来车速的传统交通预测器不同，该模型被训练以理解风险本身如何在网络中传播。它使用图操作在相连路段之间共享信息，并用时间卷积跟踪分钟或小时尺度上状况的演变。一个注意力模块再学习在每个时空位置上如何权衡四个要素，将它们组合为一个单一的动态拥堵风险指数，该指数在低风险到高风险之间平滑变化。

模型对日常拥堵的揭示

将该模型应用于四个加州区域一整年的数据后，模型重现了熟悉的高峰时段模式，同时提供了新的洞见。危险性和暴露度在早晚高峰显著上升，尤其集中在主要枢纽周围；而脆弱性和缓解能力变化更缓慢，反映了底层道路布局和控制系统。市中心密集的高速路段往往具有较高的危险性与暴露度，而具有更多替代路线或先进控制系统的地区则展现出更强的缓解能力。模型的风险预测稳健优于传统工具，包括经典时间序列模型和较新的深度学习方法，这些优势在四个区域均得到验证。

这如何帮助城市提前应对交通瘫痪

通过从对缓慢交通的简单描述转向基于要素的诊断，解释为何以及何处风险在积聚，这一框架为规划者和交通管理者提供了实用指引。它可以突出既可能发生又影响重大的路段，在崩溃发生前几分钟发出预警，并建议最有效的应对是减少流量、增强替代路线还是改善恢复能力。简而言之，研究表明交通拥堵可以像其他城市风险一样被测量、绘制和主动管理，帮助城市在路网承压时仍保持人员与货物流动。

引用: Li, Y., Xu, Y., He, X. et al. A security-oriented four-factor spatio-temporal framework for assessing and mitigating traffic congestion risks. Sci Rep 16, 9548 (2026). https://doi.org/10.1038/s41598-026-41451-0

关键词: 交通拥堵风险, 城市出行, 图神经网络, 智能交通系统, 韧性道路网络