图神经网络在交通预测中的应用综述

摘要：

为寻求提升交通预测时空计算任务性能的有效途径,探索图神经网络技术在交通预测中的应用前景和挑战,回顾了交通预测方法的发展,总结了模型驱动方法、统计模型、传统机器学习方法和深度学习方法的优势和局限性;阐述了图网络和交通网络的适配性,归纳了图的构造方法;将应用于交通预测的数据进行了分类,分析了不同交通预测任务的共性与差异;归纳了常用于交通预测任务的图神经网络模型,包括卷积图神经网络、图注意网络、图自编码器和图时空网络,分析了图神经网络模型应用于交通预测时主要考虑的因素和时空模块;对比了多种交通速度预测方法的性能,分析了图神经网络框架中不同组件对其预测性能的影响;从数据多源性、应用多样性、多模式、动态性、模型可解释性、不确定性和小样本学习等多个角度探讨了基于图神经网络的交通预测面临的挑战和机遇,并针对图神经网络发展趋势提出了相关建议.研究结果表明:与只考虑时间相关性的基准模型相比,基于图神经网络的预测方法性能显著提升;多模式时间相关性、时空注意力机制、边特征、外部数据均会显著影响预测性能;图神经网络为建模交通网络复杂动态的时空相关性提供了有力手段,目前针对交通状态预测问题开发了多样化的模型;未来研究可重点从设计高效的动态时空模块集成架构、设计有效整合外部数据的模块、拓展多样化的应用任务、实现多模式交通同步预测、开发高效可靠和易于解释的模型等方面进行突破,实现预测准确性和效率均衡提升,以期发展更高阶段的智慧交通.

关键词：智能运输系统、交通预测、多源数据、时空相关性、图神经网络

所属期刊栏目：23

分类号：U491.14(交通工程与公路运输技术管理)

在线出版日期：2023-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共23页

页码：39-61