INSPIRE-GNN：通过强化学习增强的图神经网络实现智能传感器布局以改进稀疏自行车网络预测
机器学习
2025-08-04 v1 人工智能
摘要
准确的路段级自行车流量估计对于可持续的城市交通规划至关重要。然而，由于有限的自行车计数传感器覆盖范围，许多城市面临着高数据稀疏性的重大挑战。为了解决这个问题，我们提出了INSPIRE-GNN，一种新颖的强化学习（RL）增强的混合图神经网络（GNN）框架，旨在优化传感器布局并改进数据稀疏环境下的路段级自行车流量估计。INSPIRE-GNN将图卷积网络（GCN）和图注意力网络（GAT）与基于深度Q网络（DQN）的RL智能体相结合，实现了数据驱动的传感器位置战略选择，以最大化估计性能。应用于墨尔本的自行车网络，该网络包含15,933个路段，但传感器仅覆盖141个路段（99%稀疏度）——INSPIRE-GNN通过在50、100、200和500个传感器的部署中战略性地选择额外的传感器位置，展示了流量估计的显著改进。我们的框架在均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等关键指标上，优于传统的传感器布局启发式方法，如介数中心性、紧密中心性、观测自行车活动和随机布局。此外，我们的实验在自行车流量估计性能方面将INSPIRE-GNN与标准机器学习和深度学习模型进行了基准比较，强调了其有效性。我们提出的框架为交通规划者提供了可操作的见解，以有效扩展传感器网络、优化传感器布局并最大化自行车数据的流量估计准确性和可靠性，从而为明智的交通规划决策提供支持。
关键词
引用
@article{arxiv.2508.00141,
title = {INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks},
author = {Mohit Gupta and Debjit Bhowmick and Rhys Newbury and Meead Saberi and Shirui Pan and Ben Beck},
journal= {arXiv preprint arXiv:2508.00141},
year = {2025}
}