稀疏对抗交通预测框架

噪声数据下保持精度

通过稀疏对抗训练，使深度学习交通预测模型在数据缺失和噪声干扰下保持高精度，无需依赖精确测量。

Yutian, Liu · 贾承丰 · Rasouli, Soora · 巩健 · Feng, Tao · Melvin, Wong · Huang, Tianjin

Communications in Transportation Research 2025

技术优势

对噪声数据不敏感

采用稀疏对抗训练的两阶段过程，在微调阶段使用迭代最小-最大策略优化最坏情况下的性能，使模型在输入被破坏时仍能保持稳定输出。

理论误差上界

推导出在特定噪声水平下经过 Sparse AT 后模型预测误差的上界，为方法的可靠性提供理论保证。

无需精确测量

预训练阶段学习正常交通模式，使模型即便在输入数据质量下降时也能理解标准动态，降低对精确测量的依赖。

应用场景

• 智能交通系统：提升交通管理系统在传感器故障和恶劣天气下的预测可靠性。
• 交通预测：保持预测精度，即使输入数据存在缺失或噪声。
• 鲁棒性深度学习：为时空预测模型提供对抗训练增强鲁棒性的通用方案。
• 缺失数据处理：无需插补，直接处理缺失交通数据。