用于出行需求建模的图神经网络代理模型开发
机器学习
2025-03-21 v2 人工智能
摘要
随着城市环境的不断扩展，交通系统的建模变得日益复杂。本文通过引入先进的图神经网络（GNN）架构作为代理模型，推动了出行需求建模领域的发展，解决了先前方法的关键局限性。在先前图卷积网络（GCN）工作的基础上，我们引入了 GATv3，这是一种新的图注意力网络（GAT）变体，通过残差连接缓解过度平滑现象，从而实现更深、更具表达力的架构。此外，我们提出了一种细粒度分类框架，在保持与回归相当的数值精度的同时提升了预测稳定性，提供了更具可解释性和更高效的替代方案。为提升模型性能，我们开发了一种合成数据生成策略，在不导致过拟合的情况下扩展了增强训练数据集。我们的实验表明，GATv3 显著提升了分类性能，而 GCN 模型在补充额外训练数据后在细粒度分类中表现出意外的优势。结果突显了细粒度分类相较于回归在出行需求建模任务中的优势，并揭示了将基于 GAT 的架构扩展到复杂交通场景中的新挑战。值得注意的是，GATv3 非常适合基于分类的交通应用，如路段控制和拥堵预警系统，这些应用需要相邻路段之间更高的区分度。这些发现有助于完善基于 GNN 的代理模型，为将 GATv3 和细粒度分类应用于更广泛的交通挑战提供了新的可能性。
引用
@article{arxiv.2408.07726,
title = {Development of a graph neural network surrogate for travel demand modelling},
author = {Nikita Makarov and Santhanakrishnan Narayanan and Constantinos Antoniou},
journal= {arXiv preprint arXiv:2408.07726},
year = {2025}
}