综述-交通领域如何构建基于图深度学习模型

黄浴简介：专业领域：图像视频处理，计算摄影，机器学习，计算机视觉和数据可视化。

前几天arXiv上传论文“How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey”，其中也涉及自动驾驶部分。

深度学习已经在交通领域的问题得到不错的应用，主要是时域和空域的相关性方面遇到的挑战。相比CNN，GNN明显更合适建模空域相关性。

交通领域的问题可以分为如下几个领域：交通堵塞、交通需求、交通安全、交通监控和自动驾驶等，而对应的研究方向有状态预测、需求预测、信号控制、驾驶员行为分类、事故检测和车辆检测等。

交通挑战性包括空域相关、时域相关和外部因素（天气、事故和节假日）三个。而对应的GNN技术包括如图列出的模型，如GAN、GCN、GAT、RNN、LSTM、GRU和MLP等。

根据交通基建，交通数据分为四类：道路网络的传感器数据、车载GPS轨迹、铁路系统的订单和地铁/公交系统的交易记录。

如图所示，基于交通数据图架构的构建过程：

• 1）在传感器图中，传感器代表节点，并且道路同一侧的相邻传感器之间有一条边连接。传感器特征是自己矫正的交通测量。

• 2）在路段图中，路段代表节点，两个相连路段有边连接。在传感器数据集中，路段特征是路段上所有传感器记录的路况平均测量值（例如，行车速度）。在GPS数据集中，每个路段特征是该路段上所有GPS点记录的路况平均测量值。

• 3）在道路交叉点图中，道路交叉点表示节点，由路段连接的两个道路交叉点具有边连接。路段特征是通过路段交通量的总和。大多数方法将边缘方向视为交通流方向，而有些方法则构造无向图。

如图是GNN的一般结构，包括两种层：聚合层和非线性变换层。

如表是文章提到的SEQ2SEQ的编码-解码架构类。

面临的几个挑战问题中，空域相关性涉及空间局部性、多重关系和全局连通性等，时域相关性涉及多时间尺度和不同权重问题，时空相关性涉及时空交互性，外部因素涉及多个因素的一键编码（one-hot encoding）。

这是一些开源数据。

这是一些开源代码。

 

文章推荐

深度学习基础理论、框架与应用

基于深度学习的数据增广技术一览