我所一篇交通事故风险预测研究被CCF A类期刊 IEEE TKDE 录用

发布时间：2026年7月13日

       由我所师生联合完成的论文《Sparse Traffic Accident Risk Forecasting with Spatial-Temporal Knowledge Graphs》成功被 CCF A 类权威期刊IEEE TKDE录用。论文合作作者包含我所郭晟楠、林友芳、万怀宇三位老师，毕业生严林、陈伟、唐伟文，以及在读学生吕浩辰、周荣智、林俊良。

      该研究面向城市多粒度交通事故稀疏风险预测任务，当前现有预测技术存在三项突出痛点：一是交通、天气、设施等多源影响要素耦合复杂，模型难以建模各类因子间的交互关系；二是交通事故属于低频事件，数据存在大量零值，带来严重零膨胀问题，大幅削弱预测效果；三是多数模型仅能实现单一空间尺度预测，无法同时覆盖精细化道路路段、粗粒度出租分区两类交通管理核心研判维度，难以适配城市分层分级的道路安全管控需求。

      针对上述痛点，研究团队提出融合时空知识图谱的交通事故风险预测模型 STKGRisk。该工作首次将时空知识图谱应用于交通事故风险分析场景：搭建涵盖 6 大类实体、9 类关联关系的专属交通事故时空知识图谱，完整刻画天气、道路路段、出租分区、周边 POI、事故等级等多要素的动态关联；配套设计历时嵌入模块提取分钟级时序动态特征，挖掘多源因子之间高阶隐式交互信息，输出实体时序表征以构建深层语义图。模型同步搭建浅层显式语义图与深层隐式语义图，从空间、POI、风险三大视角挖掘路段与出租分区的时空关联规律；引入单门混合专家网络处理全域共享的交通、环境特征，依靠不同专家子网络分别学习各类全局风险诱因，强化多粒度模型对共性风险因素的捕获能力。为从根源缓解数据稀疏带来的零膨胀问题，本文创新性采用零膨胀混合泊松分布拟合事故数据，显式建模数据零值概率与多样化事故发生模式，显著提升高风险区域识别准确率；同时设计兼顾分布对数似然与回归误差的复合损失函数，并新增跨粒度一致性损失，约束路段、出租分区两级预测结果保持逻辑一致性。基于多城市真实交通数据集开展的对比实验充分证明，STKGRisk综合性能优于现有主流模型。

      预测模型输出的分级风险热力图、分时段风险预测结果可直接赋能城市精细化交通治理：既能辅助交管部门动态调配巡逻警力、精准推进道路隐患排查整治，也可向出行服务平台提供前置风险预警提示，从源头减少道路交通事故发生。