城市行人计数系统已成为经济指标、规划决策和安全运营的重要数据来源，但现有的数字孪生模型往往把实时计数视为真实值。本文研究当计数被篡改时的后果，并在城市尺度上形式化隐蔽假数据注入（FDI）问题。与电力和水务网络不同，行人流的潜在状态到观测的映射高度秩亏，导致传统隐蔽性分析难以直接迁移。我们构建的孪生模型在行人街道图上估计有向流量，通过学习的图局部增益将计数同化，并利用流守恒残差将有计量段与无计量段耦合。检测机制将创新（innovation）与守恒残差相结合，阈值通过自适应共形校准自动设定，无需人工调参。为量化物理约束的收益，我们定义了攻击边际（attack margin），即在白盒对手直接通过孪生模型优化注入时，估计流场最坏情况误差的相对降低。基于六年墨尔本数据实验显示，单个设备被攻破时攻击边际可达 0.54；当三分之一设备受损时降至 0.19，而仅有 1.18% 可计量路段的网络仍保持一定鲁棒性。若将街道图替换为距离图，边际骤降至 0.09，表明守恒律而非局部性是主要贡献来源。
点评