基于图神经网络的交通网络数据挖掘:综述与展望
机器学习
2025-01-29 v1
摘要
交通网络数据挖掘(DMTNs)指利用多种类型的时空数据来完成各类交通任务,包括模式分析、交通预测与交通控制等。图神经网络(GNNs)由于具备刻画实体间空间相关性的能力,在众多DMTN问题中发挥着关键作用。在2016年至2024年间,GNN在DMTN中的显著应用已扩展至交通预测与交通运营等多个领域。然而,现有综述主要聚焦于交通预测任务。为填补这一空白,本研究对GNN在DMTN中的应用进行了及时且深入的总结,重点突出自2023年以来学术界与产业界在预测与运营方面取得的新进展。首先,我们呈现并分析了多种DMTN问题,并介绍了经典与最新的GNN模型。其次,我们深入探讨了三个领域的代表性工作:(1)交通预测,(2)交通运营,以及(3)产业界参与情况(如Google Maps、高德地图和百度地图)。沿着这些方向,我们结合交通问题的重要性和数据可获得性,讨论了新的研究机会。最后,我们整理了数据、代码及其他学习资料等资源,以促进跨学科交流。本综述立足于自2023年以来GNN在DMTN研究中的最新趋势,有望将丰富的数据集与高效的GNN方法推广应用于包括预测与运营在内的各类交通问题。
引用
@article{arxiv.2501.16656,
title = {Data Mining in Transportation Networks with Graph Neural Networks: A Review and Outlook},
author = {Jiawei Xue and Ruichen Tan and Jianzhu Ma and Satish V. Ukkusuri},
journal= {arXiv preprint arXiv:2501.16656},
year = {2025}
}
备注
41 pages, 6 figures