基于图卷积神经网络的元学习交通分配
机器学习
2026-03-10 v1
摘要
构建用于从OD矩阵估计交通流的机器学习模型需要合适的训练过程设计，并需要跨越多个制度和动态的训练数据集。由于机器学习模型高度依赖历史数据，其预测通常仅在未来交通模式类似于训练期间观察到的情形下才准确。然而，当历史条件与未来条件之间存在显著的统计差异时，其性能往往会下降。这一问题在交通预测中尤为突出——当需要预测因维护、公共演示、洪水或其他极端事件导致网络结构变化的情形时，预测尤为关键。尽管如此，这些情况恰恰是可靠交通预测最受需求的时刻。在本文中，我们将机器学习模型（图卷积神经网络）与元学习架构相结合，以训练前者快速适应新的图结构和需求模式，以便轻松应用于网络结构（图）和需求（节点特征）同时发生变化的情形。我们的结果表明，元学习使图神经网络能够快速适应未见的图结构（网络关闭）和OD矩阵，同时减轻了实践者需覆盖所有相关模式的训练数据集设计负担。该体系结构在未见的关闭和OD矩阵上实现了约0.85的R^{2}。
引用
@article{arxiv.2603.06763,
title = {Metalearning traffic assignment for network disruptions with graph convolutional neural networks},
author = {Serio Agriesti and Guido Cantelmo and Francisco Camara Pereira},
journal= {arXiv preprint arXiv:2603.06763},
year = {2026}
}