基于概率性危险条件下的图神经网络旅行距离估计与路线推荐
机器学习
2025-01-20 v1
摘要
估计城市或区域之间的最短旅行时间并提供路线推荐，可定量衡量极端事件发生或发生后交通网络的条件。常见方法是使用 Dijkstra 算法，该算法会产生最短路径和最短距离。然而，在大规模网络上应用时，该方法计算代价高昂。本文提出了一种基于图神经网络（GNN）的新型快速框架，用于近似计算位置对之间的单源最短距离，并随后预测单源最短路径。我们在不同尺寸的合成图上进行了多项实验，以展示所提出模型的可行性和计算效率。在现实世界的案例研究中，我们还将所提出的方法应用于飓风期间 coastal 城市地区的洪水风险分析，以计算疏散至公共避难所的延迟。结果表明，GNN 模型在准确性和计算效率方面都表现出色，其在应急规划和管理方面的潜在应用前景广阔。
引用
@article{arxiv.2501.09803,
title = {Graph Neural Networks for Travel Distance Estimation and Route Recommendation Under Probabilistic Hazards},
author = {Tong Liu and Hadi Meidani},
journal= {arXiv preprint arXiv:2501.09803},
year = {2025}
}
备注
17 pages, 11 figures