在复杂交通环境中，准确预测交通参与者之间的交互轨迹是自动驾驶安全决策的关键前提。然而，随着自动驾驶技术的快速发展，训练数据呈现出持续增长、分布动态变化以及场景高度多样化等特征，如何在连续学习新场景的同时有效避免模型遗忘既有知识，成为制约交互式轨迹预测模型落地应用的核心挑战之一。

清华大学车辆与运载学院研究团队针对交互式轨迹预测中的持续学习问题，提出了一种名为DEITP（Dynamically Expandable Interactive Trajectory Predictor）的动态可扩展交互轨迹预测框架。该研究聚焦于传统持续学习方法在安全关键场景下易发生“灾难性遗忘”的问题，系统性地分析了交互轨迹预测任务中长期存在但被忽视的案例级遗忘（case-level forgetting）现象。

文章首先指出，在自动驾驶持续学习过程中，仅在数据集整体层面保持性能并不足以保证系统安全，个别关键交通案例预测性能的退化同样可能引发严重风险。针对这一问题，研究团队提出了一种基于架构扩展的持续学习思路：在新交通场景到来时，通过冻结已有模型参数并动态引入新的专家模型，实现新知识的学习与旧知识的稳定保留。同时，论文设计了一种基于模型相似度评估的动态扩展机制，在保证预测性能的前提下有效控制模型规模，避免不必要的冗余扩展。此外，针对实际应用中测试阶段往往无法获取任务标识的问题，研究进一步提出了一种基于熟悉度自编码器的任务识别与专家选择方法，使模型在“无任务标签”的真实场景下仍能自动选择最合适的预测专家，从而拓展了方法在工程实践中的适用性。

研究团队在INTERACTION等真实世界交通数据集上开展了系统实验。结果表明，所提出的DEITP方法在连续学习多个交通场景的过程中，能够显著缓解灾难性遗忘问题；在任务标识已知的情况下，实现了近乎“零遗忘”的预测性能，同时在案例级别有效避免了关键样本性能退化。该研究为自动驾驶交互式轨迹预测中的持续学习问题提供了一种新的解决思路，表明通过合理的模型架构设计与动态扩展机制，可以在不依赖历史数据回放的情况下有效保留关键知识。

未来研究可进一步探索在更大规模交通场景和更复杂交互条件下的动态扩展策略，同时结合模型压缩与资源调度方法，在保证“零遗忘”性能的前提下降低计算与存储开销，为持续学习模型在自动驾驶实际系统中的部署提供更优解决方案。

动态扩展交互轨迹预测框架

了 解 更 多

 本文链接 

https://doi.org/10.26599/COMMTR.2026.9640015 

 引用本文 

Li H, Wu X, Huang J, et al. Toward zero-forget continual learning for interactive trajectory prediction: A dynamically expandable approach. Communications in Transportation Research, 2026, 6(1): 9640015. https://doi.org/10.26599/COMMTR.2026.9640015 

COMMTR亮点

• 中国大陆第三种SCIE/SSCI双收录期刊

• 中国大陆SCIE/SSCI双收录期刊中影响因子最高的期刊

• 中国大陆SSCI收录期刊中唯一一本学科排名第一的期刊（IF12.7，位居交通学科第一）

数据库收录

• SSCI、SCIE

• Scopus

• Ei CompendeX

• DOAJ

• TRlD, the TRlS and lTRD Database

• 期刊分区表：大类 工程技术大类1区Top期刊；小类 交通运输1区、运输科技1区

• 中国科技核心期刊CSTPCD

• 中国科学引文数据库CSCD

• 全球OA期刊索引（OA Journal Index，OAJ）

• 公路运输领域高质量科技期刊—T1级

• 《科技期刊世界影响力指数（WJCI）报告》“交通运输工程综合”学科排名2/107（国产期刊第一）

重要项目

• 入选“中国科技期刊卓越行动计划二期”英文梯队期刊项目

• 入选北京市2024年度支持高水平国际科技期刊建设-强刊提升项目

• 入选2022年中国科技期刊卓越行动计划高起点新刊项目

学术影响力

• 影响因子（2026年6月公布）达12.7，位居TRANSPORTATION（交通）学科全球66种期刊榜首

• 2025年CiteScore为13.6，在Control and Systems Engineering、Decision Sciences (miscellaneous)、Transportation三个领域全部进入前8%，均稳居Q1区

• 连续两年（2024年、2025年）入选“中国最具国际影响力学术期刊”（自然科学与工程技术·英文）

国际化程度

• 国际论文占比70%，吸引了国内外几乎所有交通领域顶级团队的投稿

• 论文被72个国家/地区作者引用，引用本刊最多的为Transportation Research Part E 等本领域顶刊，自引率仅3.6% 

• 国际下载量占89%，主要集中在美国

• 编委会汇聚全球20个国家的55位专家，其中69%来自海外，包括13位各国院士

• 作者来自全球21个国家和地区的顶尖院校，包括MIT、Stanford、UC Berkerley、Duke、清华大学、浙江大学、东南大学、北航、东京大学、新国大、港大、港科大等

编辑团队荣誉

• COMMTR主编荣获 “年度主编奖”

• 编辑团队成员荣获 “年度期刊新人”

COMMTR编委团队

曲小波

欧洲科学院（Academia Europaea）院士

清华大学车辆与运载学院长聘教授

曲小波，现任清华大学车辆与运载学院长聘教授、欧洲科学院（Academia Europaea）院士。全职归国前，曾任瑞典查尔姆斯理工大学讲席教授。过去五年主持科技部重点研发、基金委重点项目、欧盟、瑞典科技部、瑞典基金委等重大项目；担任9个行业内知名期刊的主编或副主编，发表论文180余篇，受邀担任欧委会人才项目、澳洲基金委卓越科学中心、荷兰基金委重大项目等高资助强度项目的初评或终评专家。清华大学（车辆国重）—杭州临空经济示范区综合交通联合研究中心主任；兼任中国人民财产保险公司独立董事。研究领域重点涉及低空运载工具开发与运营、车城互联系统建模与优化、智能交通系统运营与控制。

李小鹏

美国威斯康星大学麦迪逊分校教授

智能公路研究中心主任

李小鹏，现任美国威斯康星大学麦迪逊分校土木与环境工程系Harvey D. Spangler教授（电气与计算机工程系兼职教授）与智能公路研究中心（Smart Highway Research Center）主任。曾任美国国家级交通研究中心（National Institute for Congestion Reduction）主任。他于2006年获得清华大学土木工程学士学位（辅修计算机工程），此后在美国伊利诺伊大学香槟分校先后获得土木工程硕士（2007年）、应用数学硕士（2010年）及土木工程博士（2011年）学位。李小鹏教授是美国国家科学基金会杰出青年奖（NSF CAREER Award）获得者，美国土木工程协会（American Society of Civil Engineering）会士（Fellow），并在及多个专业协会担任职。已发表同行评议学术论文160余篇，主持了多项由美国国家科学基金会（NSF）、美国交通部（US DOT）、美国能源部（US DOE）、国家实验室、州交通部门及工业界资助的研究项目，累计经费包括匹配总额超过7000万美元。其主要研究方向为交通及相关系统中的自动化、互联与感知技术。

COMMTR推荐阅读

1 FedAV: Federated learning for cyberattack vulnerability and resilience of cooperative driving automation

https://www.sciopen.com/article/10.1016/j.commtr.2025.100175 

Cite this article:

Lin G, Qian S, Khattak ZH. FedAV: Federated learning for cyberattack vulnerability and resilience of cooperative driving automation. Communications in Transportation Research, 2025, 5(2): 100175. https://doi.org/10.1016/j.commtr.2025.100175

2 HUTFormer: Hierarchical U-Net transformer for long-term traffic forecasting

https://www.sciopen.com/article/10.1016/j.commtr.2025.100218 

Cite this article:

Shao Z, Wang F, Sun T, et al. HUTFormer: Hierarchical U-Net transformer for long-term traffic forecasting. Communications in Transportation Research, 2025, 5(4): 100218. https://doi.org/10.1016/j.commtr.2025.100218

3 Machine learning-based real-time crash risk forecasting for pedestrians

https://www.sciopen.com/article/10.1016/j.commtr.2025.100224 

Cite this article:

Hussain F, Li Y, Haque SMM. Machine learning-based real-time crash risk forecasting for pedestrians. Communications in Transportation Research, 2025, 5(4): 100224. https://doi.org/10.1016/j.commtr.2025.100224

4 Physical enhanced residual learning (PERL) framework for vehicle trajectory prediction

https://www.sciopen.com/article/10.1016/j.commtr.2025.100166 

Cite this article:

Long K, Sheng Z, Shi H, et al. Physical enhanced residual learning (PERL) framework for vehicle trajectory prediction. Communications in Transportation Research, 2025, 5(2): 100166. https://doi.org/10.1016/j.commtr.2025.100166

5 Few-shot learning for novel object detection in autonomous driving

https://www.sciopen.com/article/10.1016/j.commtr.2025.100194 

Cite this article:

Zhuang Y, Liu P, Yang H, et al. Few-shot learning for novel object detection in autonomous driving. Communications in Transportation Research, 2025, 5(3): 100194. https://doi.org/10.1016/j.commtr.2025.100194 

欢迎投稿

Communications in Transportation Research（COMMTR）发表论文类型包括Research article（研究型论文）、Review（综述）、Editorial（社论）、Discussion（讨论）等。

2027 年 12 月 31 日前录用的稿件仍免收文章处理费，研究论文终版超过 10 页或综述超过 15 页的部分将按每页 150 美元收取费用，请作者投稿时留意篇幅并按要求承担相关费用，以免影响后续流程。

发表范围：

发表对新兴交通系统具有重要意义的高质量、原创性研究和综述文章等，欢迎与交通有关的跨学科研究（交通与民用、控制、人工智能、社会科学、心理科学、医疗服务等）。

发表主题包括但不限于：

• 交通系统与其他系统之间的相互作用

• 新兴技术与交通系统的整合

• 交通领域的大数据分析

• 交通领域的进步与发现

• 对未来交通系统的前瞻性判断

• 新兴技术/产品及其对交通的影响

• 新型交通模式及相关分析

• 政府发起的交通政策及影响分析

• 移动性即服务

• 新兴交通技术的现场试验

• 交通电气化、自动化和互联互通

期待各位学者的来稿！

数据代码共享

平台网址：https://ets-data.sciopen.com 

COMMTR 是首批要求代码、数据共享的交通/车辆期刊之一。为进一步保证论文的学术质量，提升研究的可复现性和研究过程的透明度，同时增进数据的重复利用，本刊要求所有录用稿件提交“Replication Package”。同时鼓励作者将数据共享至ETS-Data交通数据共享平台(https://ets-data.sciopen.com)。

ETS-Data交通数据共享平台由清华大学出版社与清华大学车辆与运载学院共同设计搭建，是全球研究者可公开访问的交通类共享数据平台，提供包括数据、代码和其他结果复制等必要文件。所有文件均可在协议框架内免费下载，且每篇数据均拥有永久的DOI及CSTR标识符，可直接下载和引用。ETS-Data交通数据共享平台已于2022年被基于WOS的数据引文索引数据库DCI收录，成为该库收录的首个中国交通领域的科学数据共享平台；2023年被Google Dataset Search索引。

欢迎关注

支持单位：