BikeVAE-GNN：用于稀疏自行车流量估计的变分自编码器增强混合图神经网络
摘要
准确的路段级自行车流量估计对于科学的城乡与交通规划至关重要，但全球城市自行车网络中极其稀疏的计数数据对此构成了挑战。我们提出 BikeVAE-GNN，一种将混合图神经网络（Graph Neural Network, GNN）与变分自编码器（Variational Autoencoder, VAE）相结合的新型双任务框架，用于估计平均每日自行车（Average Daily Bicycle, ADB）计数，以应对稀疏自行车网络问题。该 Hybrid-GNN 结合了图卷积网络（Graph Convolutional Networks, GCN）、图注意力网络（Graph Attention Networks, GAT）和 GraphSAGE，以有效建模稀疏网络中复杂的空间关系；同时 VAE 生成合成节点与边来丰富图结构并提升估计性能。BikeVAE-GNN 同时执行两项任务：用于自行车流量估计的回归任务，以及用于自行车交通水平分类的分类任务。我们利用 OpenStreetMap 数据和墨尔本市公开的自行车计数数据验证了 BikeVAE-GNN 的有效性——在 15,933 个路段中，仅有 141 个具有标记计数（导致 99% 的计数数据稀疏度）。实验表明，BikeVAE-GNN 优于机器学习与基线 GNN 模型，实现了 30.82 辆/天的平均绝对误差（mean absolute error, MAE）、99% 的准确率以及 0.99 的 F1 分数。消融实验进一步验证了 Hybrid-GNN 与 VAE 组件的有效作用。我们的研究利用新颖且最先进的方法推进了稀疏网络中的自行车流量估计，为可持续自行车基础设施提供了见解。
引用
@article{arxiv.2507.19517,
title = {BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation},
author = {Mohit Gupta and Debjit Bhowmick and Ben Beck},
journal= {arXiv preprint arXiv:2507.19517},
year = {2025}
}
备注
This paper has been accepted for publication in the Proceedings of the $28^{th}$ IEEE International Conference on Intelligent Transportation Systems (ITSC 2025). This is the author's version of the work