图神经网络驱动的交通预测技术：探索与挑战

 摘要:

随着物联网及人工智能技术的快速发展，对交通数据进行精准的分析和预测成为智慧交通的首要环节。近年来，交通预测方法逐渐从经典的模型驱动转变为数据驱动，然而，如何通过大数据有效分析路网的时空特性是预测过程中面临的关键难题之一。时空大数据分析是交通预测的利器，将交通路网建模为图网络，将深度学习方法在图网络上进行扩展，通过图神经网络建立时空预测模型，采用图卷积的方式有效地获取路网传感器节点之间的时空相关性，可以显著提高交通预测模型的精度。针对图神经网络驱动的交通预测技术进行了探索，基于深度时空特性分析提炼了两大类交通预测模型，并通过实例进行分析和验证，探讨了图神经网络在交通预测领域的技术优势和主要挑战，挖掘了图神经网络预测机制的潜在研究方向。

关键词：交通预测 ; 图神经网络 ; 时空相关性 ; 同步卷积 ; 图注意力网络

1 引言

近年来，城市车辆数量的急增引发了交通事故、交通拥堵等一系列安全问题，提高通行效率是城市交通发展的重要方向。在物联网时代的大背景下，城市交通逐渐向智能化、网联化、绿色化等方向发展。智能交通系统（ITS, intelligent transportation system）充分利用人工智能、边缘计算、物联网、传感网、移动通信等前沿技术，可实现车辆对道路交通态势的智慧感知及人、车、路等要素的高效协同。而交通预测是实现ITS的首要环节，也是助力交通控制、路径优化、车辆调度等各种应用的必要条件。交通事故、高峰拥堵等事件的频繁发生使交通状况随时间动态变化，导致了时间序列的非平稳性；另外，路网上布置的传感器之间存在着复杂的空间依赖性，即使两个传感器在欧几里得空间中的距离较近，也可能呈现完全不同的交通状态。因此，要获得准确的交通