近年来，低空经济作为国家战略性新兴产业经历了爆发性增长。无人机物流、城市空中交通和低空旅游等新兴领域蓬勃发展，从根本上改变了传统的空域利用模式。然而，低空空域的开放和飞机数量的增加虽然带来了经济效益和社会便利，但也引发了严重的安全挑战。实践中，"黑飞"无人机干扰民航运行的事件频发，直接威胁着航空运输安全。未经许可的无人机侵入政府机关、军事设施和核电站等敏感空域区域，对国家主权和安全构成严重威胁。此外，低空飞机还存在被用于恐怖袭击和走私等犯罪活动的潜在风险。这些低空紧急事件通常具有高度的时空动态性、快速演变和复杂的相互依赖性。它们的发生和发展往往涉及空间和时间维度的多因素相互作用，给依赖固定监控点和静态规则库的传统安全系统带来了前所未有的压力。传统安全措施在应对这些新兴威胁方面存在显著局限性：它们难以有效描述和模拟低空网络中威胁的时空传播路径和动态演变模式，导致情境感知的及时性、风险评估的准确性和智能决策支持能力不足[[1], [2]]。因此，开展低空紧急事件智能预警系统的研究具有理论和实践意义。
为应对日益突出的低空安全威胁，国内外学术界和工业界探索了多种技术方法[[3], [4]]。在低空风险识别和预测技术中，当前方法主要利用雷达、光电和无线电监测系统进行目标检测、识别和跟踪。这些方法通常采用传统的时间序列分析技术进行基本趋势外推和预警[[5], [6]]。虽然这些方法可以实现基本的数据感知和表面预测，但通常缺乏对低空环境空间拓扑结构和时空序列之间深度非线性相关性的建模能力，难以满足复杂场景下的精确预测需求[[7], [8]]。
在时空图神经网络领域，由于其强大的时空相关性建模能力，该技术在交通流量预测和人群运动分析等场景中取得了显著成功[[9], [10]]。经典模型如STGCN和ASTGCN通过图卷积网络捕获空间依赖性，并通过时间卷积或循环网络处理时间动态，展现出出色的特征提取性能[[11], [12]]。然而，将STGNN直接应用于低空安全领域——一个具有独特空间约束、行为模式和风险传播特性的领域——仍处于起步阶段。其模型架构的适应性、场景特征的有效编码和预测性能都需要进一步验证和优化[[13], [14]]。
在注意力机制研究中，自注意力及其变体通过动态计算输入元素的重要性权重，在提高模型性能和解释性方面表现出独特优势[[15], [16], [17]]。对于时空预测任务，注意力机制使模型能够关注关键的时间段或空间节点。然而，当前研究主要将其视为STGNN中的辅助模块。关于如何深入整合注意力机制与STGNN以更好地模拟随时间和空间演变的低空事件的异质性和关键影响因素的系统研究仍然很少[[18], [19], [20]]。
总之，当前关于低空紧急事件精确预警的研究面临一个根本矛盾[[21], [22], [23]]：一方面，低空风险的动态时空耦合需要具有强大相关性建模能力的模型；另一方面，现有方法在适应空域结构和动态聚焦关键时空信息方面存在不足，导致预测准确性和解释性受限[[23], [24], [25], [26], [27]]。
因此，本文聚焦于低空紧急事件等级预测的核心任务，并选择ASTGCN及其扩展作为基本框架。这主要是因为其结构清晰（时空注意力的分离），并且易于与本研究提出的自适应图构建、门控融合等其他模块集成。尽管近年来出现了图变换器（Graph Transformer）等模型，但它们的计算复杂度高，且不像STGNN那样直接编码空间结构信息。本文提出了一种新的预测模型，深度融合了注意力机制和时空图神经网络。这种架构（GCN + 注意力）可以视为一种有效的折中方案，更好地满足了低空安全预警的实时性和清晰空间关系的双重要求。通过构建自适应空间域图来准确表示时空相关性，并设计门控时空注意力机制以实现动态特征聚焦，本文最终实现了对事件风险等级的精确和可解释的预测，为构建智能低空安全防护系统提供了核心算法支持。
