GNN用于交通预测
作者：互联网
文章目录
GNN用于交通预测
一、交通图分类
现有的交通图分为三个级别，即道路级别，区域级别和站点级别图。
道路水平流量问题（道路交通流量、道路起点-终点（OD）流量和交叉口交通吞吐量），在道路交通流问题中，预测目标是在特定时间段内通过道路传感器或道路沿线特定位置的交通量。在道路OD流量问题中，目标是单个时间点上一个位置（起点）和另一个位置（终点）之间的交通量。交叉口交通吞吐量问题考虑了通过交叉口的交通量。
区域层面的流动问题考虑了一个地区的交通量。
车站级流量问题与在物理车站（例如地铁站或公共汽车站）测量的交通量有关。
二、邻接矩阵分类
交通图对于临界矩阵的构造有四种类型，即基于道路，基于距离，基于相似性和动态矩阵
Road-based Matrix
基于道路连通性、不同节点行进时间（比如行进时间少于5mins 就有连接）、或者使用方向矩阵构造邻接矩阵。
Distance-based Matrix
基于距离的邻接矩阵，它包含两个子类型，即邻居矩阵和距离矩阵。
1、矩阵元素值由两个区域是否共享一个共同边界确定（如果连接，则网格的值通常设置为1或1/4，否则设置为0）。
2、矩阵元素值是节点之间几何距离的函数。该距离可以以各种方式计算，例如两个传感器之间的行驶距离，沿着道路的最短路径长度，或者通过重启的随机游走（RWR）算法计算的位置之间的接近度。
Similarity-based Matrix
基于相似性的矩阵，交通模式相似性矩阵表示交通状态之间的相关性，例如流动模式的相似性，不同位置之间的相互依赖性以及不同区域中的交通需求相关性能相似性矩阵表示，例如，不同区域中不同类型的兴趣点的分布。
Dynamic-based Matrix
随时间动态改变的邻接矩阵。许多研究已经证明了使用动态矩阵，而不是预定义的邻接矩阵，在各种交通预测问题的优势.
三、GNN分类
GNN的某些分支应用于交通预测研究中，例如：
图卷积Graph Convolutional Network (GCN)
扩散图卷积Diffusion Graph Convolution (DGC)
消息传递Message Passing Neural Network (MPNN)
随机采样GraphSAGE
图注意力网络Graph Attention Network (GAT)
GNN详细解释参考图卷积神经网络
四、挑战
数据的异构性
交通预测问题涉及时空数据和外部因素，例如天气和日历信息。GNN通过考虑底层图形结构取得了重大进展。但是，仍然存在一些挑战；例如，对于基于CNN和基于GNN的方法，地理上紧密的节点可能不是最有影响力的。GNN面临的特殊挑战是底层图形信息可能不正确或不及时（数数据滞后于真是数据）。
数据稀疏性和噪声
数据质量问题带来了额外的挑战，如数据缺失、数据稀疏和噪声可能会影响预测结果。
多任务预测的性能
然一些被调查的模型可以用于多个任务，例如同一道路段上的交通流量和交通速度预测，但是大多数只能一次针对单个任务进行训练。多数现有尝试基于具有由前馈层产生的多个输出的相同图形。尽管如此，针对不同类型的交通预测问题的基于GNN的多任务预测是一个需要进一步开发的研究方向，特别是那些需要多个图结构的研究方向
模型可解释性
虽然在可视化和解释其他深度神经网络结构（例如CNN）方面取得了显着进展，但用于解释GNN所做预测的后处理技术的发展仍处于早期阶段这些技术在交通预测领域的应用尚未得到解决。
五、未来方向
考虑与其他技术相结合
数据增强
GNN的数据增强被证明有助于半监督节点分类任务。然而，在GNN的交通预测应用中，数据增强是否有效仍是一个问题。
迁移学习
迁移学习利用一项任务训练出来的知识或模型来解决相关的任务，特别是那些数据有限的任务。在交通预测问题中，缺乏历史数据是一个常见的问题，迁移学习是一个可能的解决方案。Transfer Learning With Graph Neural Networks For Short-Term Highway Traffic Forecasting提出了一种新的DCRNN迁移学习方法，通过在公路网络数据丰富的区域训练模型来预测公路网络中不可见区域的交通。作者利用PeMS提供的加州公路网络的不同部分，展示了旧金山和洛杉矶地区之间的模型可转移性的有效性。
元学习
元学习最近已经成为一种潜在的学习模式，它可以从一个任务中吸收信息，并有效地将其推广到一个看不见的任务中。
生成对抗网络(GAN)
GAN是一个机器学习框架，它有两个组件，一个生成器，学习生成可信数据，另一个鉴别器，学习区分生成器的假数据和真实数据。在训练到纳什均衡状态后，生成器可能会产生无区别的数据，这有助于扩大许多问题的训练数据规模，包括流量领域的问题。有研究直接使用路网作为图，其中节点是道路状态检测器，边缘是根据其相邻的链路建立的。利用DeepWalk将图嵌入，将道路交通状态传感器信息转移到低维空间。然后，使用Wasserstein GAN (WGAN)对交通状态数据分布进行训练，生成预测结果。利用公共交通流(即Caltrans PeMSD7)和交通速度(即metro - la)数据集进行评价，结果表明了基于GAN的解决方案的有效性。
自动机器学习
机器学习的应用需要在过程的各个方面进行大量的人工干预，包括特征提取、模型选择和参数调整。AutoML自动学习与特征、模型、优化和评估相关的重要步骤，使机器学习模型可以在没有人工干预的情况下应用。AutoML将有助于改进机器学习模型的实现，包括gnn。早期将AutoML与gnn结合用于交通预测问题的尝试是Auto-STGCN算法。该算法基于强化学习快速搜索STGCN模型的参数空间，并针对特定场景自动生成最优模型。
贝叶斯网络
研究的目标是确定性模型，做出平均预测。然而，一些流量应用依赖于对未来情况的不确定性估计。种类似的替代方法是分位数回归，它估计在所选点处的分布的分位数函数，结合图小波网进行不确定性估计。
标签：预测,数据,矩阵,学习,交通,GNN 来源： https://blog.csdn.net/zhuofutong/article/details/121801778