清华大学学报(自然科学版)

作者：马飞, 鲍博, 杨治杰, 周传林, 马仲, 李睿卓, 杨滢萱

单位：1. 长安大学 经济与管理学院, 西安 710064,2. 西安市复杂气象交通韧性研究实验室, 西安 710018

关键词：城市道路网络,关键路段识别,级联失效,图注意力网络,时变特征,拓扑结构

基金：国家自然科学基金面上项目(72104034),国家自然科学基金面上项目(72104037),陕西省自然科学基础研究计划项目(2024-JC-YBMS-359),陕西省自然科学基础研究计划项目(2023-JC-QN-0793),陕西省社会科学基金项目(2024R009),长安大学中央高校基本科研业务费专项资金项目(300102235201),长安大学中央高校基本科研业务费专项资金项目(300102235625)

为精准识别对城市道路网络运行效率具有重要影响的关键路段, 该文通过融合路网拓扑结构与交通时变特征构建基于图注意力网络的关键路段识别模型(graph attention network for key segment identification model, GAT-KSI)。首先, 基于交通时变特征, 利用图注意力网络(graph attention network, GAT)得到量化邻居路段间运行状态影响强度的特征影响力分数; 其次, 结合邻居路段拓扑结构信息, 得到量化邻居路段间交通流潜在传播能力的结构影响力分数; 然后, 融合特征影响力分数与结构影响力分数测算路网中邻居路段间“特征-结构”融合影响力。在此基础上, 利用邻居路段间融合影响力改进PageRank模型实现关键路段排序。最后, 基于深圳市路网数据构建路段级联失效“负载-容量”模型, 仿真模拟高峰与平峰2种典型交通情境下关键路段拥堵失效过程; 通过网络效率指标评估不同方法识别的关键路段拥堵失效对路网运行效率的冲击程度进而反映各方法的关键路段识别能力。结果显示, 在高峰和平峰时段, GAT-KSI模型识别结果中排名前20的路段拥堵失效时, 城市道路网络效率分别下降55.9%和50.0%; 相比之下, 度排序、介数中心性排序、传统PageRank模型、引力模型、图卷积网络模型(graph convolutional network, GCN)、图采样聚合模型(graph sample and aggregate, GraphSAGE)以及图注意力网络变体(graph attention network v2, GATv2)等基线方法在各自识别结果中排名前20的路段拥堵失效时, 网络效率下降幅度介于20.0%~43.9%, 表明GAT-KSI模型在不同交通时段均能识别出对城市道路网络运行效率具有重要影响的关键路段, 可为城市交通流量调控与应急响应等提供决策支持。

来源：2026年第4期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2026年第4期