[論文レビュー] Reinforcement Learning-Guided Dynamic Multi-Graph Fusion for Evacuation Traffic Prediction

Md Nafees Fuad Rafi, Samiul Hasan|arXiv (Cornell University)|Jan 10, 2026

Traffic Prediction and Management Techniques被引用数 0

ひとこと要約

RL-DMF を導入する。距離グラフと所要時間グラフの二重ダイナミックグラフを強化学習と組み合わせて特徴選択を行い、ハリケーン時の避難交通を予測するフレームワークで、現状最先端の精度と解釈性を達成。

ABSTRACT

Real-time traffic prediction is critical for managing transportation systems during hurricane evacuations. Although data-driven graph-learning models have demonstrated strong capabilities in capturing the complex spatiotemporal dynamics of evacuation traffic at a network level, they mostly consider a single dimension (e.g., travel-time or distance) to construct the underlying graph. Furthermore, these models often lack interpretability, offering little insight into which input variables contribute most to their predictive performance. To overcome these limitations, we develop a novel Reinforcement Learning-guided Dynamic Multi-Graph Fusion (RL-DMF) framework for evacuation traffic prediction. We construct multiple dynamic graphs at each time step to represent heterogeneous spatiotemporal relationships between traffic detectors. A dynamic multi-graph fusion (DMF) module is employed to adaptively learn and combine information from these graphs. To enhance model interpretability, we introduce RL-based intelligent feature selection and ranking (RL-IFSR) method that learns to mask irrelevant features during model training. The model is evaluated using a real-world dataset of 12 hurricanes affecting Florida from 2016 to 2024. For an unseen hurricane (Milton, 2024), the model achieves a 95% accuracy (RMSE = 293.9) for predicting the next 1-hour traffic flow. Moreover, the model can forecast traffic flow for up to next 6 hours with 90% accuracy (RMSE = 426.4). The RL-DMF framework outperforms several state-of-the-art traffic prediction models. Furthermore, ablation experiments confirm the effectiveness of dynamic multi-graph fusion and RL-IFSR approaches for improving model performance. This research provides a generalized and interpretable model for real-time evacuation traffic forecasting, with significant implications for evacuation traffic management.

研究の動機と目的

• ハリケーン時の静的グラフと単一特徴モデルが性能を発揮しにくい急速で確率的な避難交通パターンに対処する。
• 距離ベースと所要時間ベースの関係を同時に捉えるダイナミック多重グラフ融合フレームワークを開発する。
• RL ベースのインテリジェント特徴選択とランキング（RL-IFSR）でモデル解釈性を高める。
• フロリダ州の複数のハリケーンとネットワークセグメントに対する一般化性と頑健性を示す。

提案手法

• 各時刻で二つの時変グラフを構築する：距離ベースのグラフと所要時間ベースのグラフ。
• 各グラフに対して別個のグラフ畳み込みを適用し、ノードごとに注意機構で出力を統合する。
• 統合後のノード埋め込みの時系列進化をLSTMでモデル化し、マルチステップ先行交通量を予測する。
• DDQN（Double Deep Q-Network）を用いた RL-IFSR を導入し、訓練中に低効用特徴をマスクして特徴重要度をランク付けする。
• 優先体験リプレイと DDQN ターゲットで学習を安定化させ、サンプル効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 距離グラフと所要時間グラフのダイナミック多重グラフ融合は、単一グラフまたは静的グラフベースのベースラインより避難交通予測を改善するか。
• RQ2 RL ベースの特徴マスキングは、データ不足と急速な避難ダイナミクスの下で解釈性と頑健性を高めるか。
• RQ3 提案フレームワークは、フロリダ州内の未知のハリケーンや異なるネットワーク条件に対してどれほど一般化できるか。

主な発見

Prediction Horizon	RMSE	MAE	MAPE	R2
1-hour	293.9	189.5	17.9	0.95
2-hour	380.0	248.4	20.8	0.92
3-hour	430.6	285.1	23.9	0.90
4-hour	455.0	304.9	27.2	0.89
5-hour	471.4	320.3	29.7	0.88
6-hour	495.3	338.2	31.7	0.86
Overall	426.4	281.1	25.2	0.90

• RL-DMF は評価指標の点でベースラインモデル（LSTM、CNN-LSTM、静的 GCN-LSTM、距離グラフまたは所要時間グラフを用いた動的 GCN-LSTM）を上回る。
• ハリケーン Milton の場合、1時間先予測で RMSE=293.9、MAE=189.5、MAPE=17.9%、R2=0.95。
• 1〜6時間の horizons で RMSE は293.9〜495.3、R2 は0.86超を維持、総合 RMSE 426.4、MAE 281.1、MAPE 25.2%、R2 0.90。
• DMF は距離グラフと所要時間グラフからの補完的な空間依存性を活用して予測を改善する。
• RL-IFSR は訓練中に低効用特徴をマスクすることで解釈可能な特徴ランキングを提供し、データ不足の動的避難時の頑健性を高める。