本文研究了机器学习在交通预测模型中的漏洞，提出了一个实用的敌对空间时间攻击框架，该框架通过迭代渐变引导节点显著性方法来识别受害节点的时间相关集，进而设计一种空间时间渐变下降算法来生成有实值的敌对交通状态，并在两个实际数据集上进行了广泛的实验。结果表明，该攻击框架达到了各种先进空间时间预测模型高达 67.8% 的性能降级，同时展示了在我们提议的攻击训练下的算法的鲁棒性的显著提高。

Oct, 2022

该论文提出了一种新的可迁移交通预测框架 —— 域对抗时空网络（DASTNet），该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入，并将其进一步融入到模型中来进行时空交通数据建模。在三个基准数据集上的实验表明，DASTNet 始终优于所有最先进的基线方法。

Feb, 2022

本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

Apr, 2021

本文提出了一种优化型对抗攻击框架，旨在研究基于数据的轨迹预测系统的对抗鲁棒性。通过模拟实验，展示了该攻击框架可以有效地增加不同度量指标的预测误差，甚至可以导致自动驾驶汽车离开道路或与其他车辆碰撞。同时，本文还探讨并提出了一种对抗训练策略来减轻对抗攻击的影响。

Sep, 2022

智能交通系统中，精确的交通预测是一项重要挑战。本研究提出了一种名为时空自适应嵌入的新型组件，可以通过使用传统的 Transformer 模型取得出色的结果，该模型在五个实际交通预测数据集上实现了最先进的性能，进一步实验证明时空自适应嵌入在交通预测中起着关键作用。

Aug, 2023

本文介绍了一种在预测自动驾驶系统的轨迹时防御对抗性攻击的方法，该方法包括设计有效的对抗训练方法和添加特定领域的数据增强来减少在净数据上的性能损失。作者通过验证表明，相较于只使用纯净数据训练的模型，该方法在对抗数据上性能提高了 46％，并只降低了 3％的净数据性能。此外，相较于现有鲁棒方法，该方法在对抗样本上的性能提高了 21％，在干净数据上的性能提高了 9％。通过对规划器的评估，研究了我们的鲁棒模型对下游影响，证明该模型可以显著减少严重事故率（例如碰撞和越野驾驶）。

Jul, 2022

本研究介绍了一种用于空间 - 时间交通流预测问题的在线测试时适应技术，提出了自适应双重修正的系列分解（ADCSD）方法，通过两个独立的模块对已训练模型的输出进行季节和趋势周期分解，并在每次观测到数据条目时使用最新观测数据进行修正。该方法在四个真实世界交通流预测数据集上进行了广泛实验，证明了其有效性。

Jan, 2024

本文通过探讨深度强化学习中 Trojan 攻击的实现，设计了一个空间 - 时间 Trojan 攻击的策略，并通过实验验证了其攻击效率高、攻击模式难以被发现、对已有的防御手段能够产生持续性威胁等特点，成为一项对自动驾驶系统具有重要意义的研究。

Nov, 2022

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

利用时间序列分析为动态分配移动网络流量预测模型的新框架，通过选择性地使用学习行为相对于当前研究具有超过 50％的性能改进，并在无需对单个细胞具有先验知识的情况下超过传统方法；该框架通过无监督聚类识别独特趋势和季节模式，然后在每个聚类中应用监督学习进行流量量预测，使得不受空间和时间变化的惩罚，并且通过分析细胞的实时测量结果，智能选择最适合该细胞的聚类，使聚类分配根据时空波动的动态调整。

Nov, 2023