基于图神经网络（GNN）的交通网络图边排序
社会与信息网络
2023-03-31 v1 人工智能
摘要
许多网络，如交通、电力和配水网络，均可表示为图。图表示中的一个关键挑战是识别图边的重要性及其对整体网络效率与信息流性能的影响。例如，交通网络中重要的边是那些一旦受影响将显著改变网络整体效率的道路。常用的寻找此类重要边的方法是“边介数中心性”（EBC），一种基于连通性与信息扩散来确定图中有影响力边的边排序度量。利用常见的Brandes算法计算EBC涉及为每一对节点计算最短路径，计算代价高昂且具有局限性，尤其对大图而言。图参数变化（如边权变化或节点、边的增删）需要重新计算EBC。作为主要贡献，我们提出一种使用图神经网络（GNN）（一种基于深度学习的方法）估计EBC的近似方法。我们表明，与传统方法相比，该方法计算高效，尤其对大图。所提出的基于GNN的边排序方法在多个合成图与一个真实世界交通数据集上进行了评估。我们表明该框架可比传统方法更快地估计近似边排序。该方法是归纳式的，即训练与测试在不同节点数和边数的图集上完成。所提方法特别适用于需要边信息的大规模网络应用，例如城市基础设施改善项目、电力与供水网络韧性分析，以及工程网络中的资源分配优化。
引用
@article{arxiv.2303.17485,
title = {Edge Ranking of Graphs in Transportation Networks using a Graph Neural Network (GNN)},
author = {Debasish Jana and Sven Malama and Sriram Narasimhan and Ertugrul Taciroglu},
journal= {arXiv preprint arXiv:2303.17485},
year = {2023}
}