铁路网络延误演化：一种异构图神经网络方法
机器学习
2023-03-29 v1 人工智能
摘要
铁路运营涉及不同类型实体（车站、列车等），使得现有具有同质节点（即同类节点）的图/网络模型无法捕捉实体间的交互。本文旨在开发一种异构图神经网络（HetGNN）模型，其可处理不同类型节点（即异构节点），以研究铁路网络上的列车延误演化。为此，提出了一种结合HetGNN模型与GraphSAGE同质GNN（HomoGNN）的图架构，称为SAGE-Het。其目的是基于不同边捕捉列车之间、列车与车站之间以及车站与其他车站之间在延误演化上的交互。与传统方法要求输入具有恒定维度（如矩形或网格状数组）或仅允许图中同质节点不同，SAGE-Het允许灵活输入与异构节点。采用来自中国铁路网络两个子网络的数据来测试所提SAGE-Het模型的性能与鲁棒性。实验结果表明，SAGE-Het优于现有延误预测方法以及一些用于其他预测任务的高级HetGNN；SAGE-Het在不同预测时域（提前10/20/30分钟）下的预测性能均优于其他基线方法；具体而言，基于所提模型研究了列车交互对延误传播的影响。结果表明，当列车间隔增大时，列车交互变得微弱。该发现直接有助于在需要冲突消解或列车取消行动情形下的决策。
引用
@article{arxiv.2303.15489,
title = {Railway Network Delay Evolution: A Heterogeneous Graph Neural Network Approach},
author = {Zhongcan Li and Ping Huang and Chao Wen and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2303.15489},
year = {2023}
}
备注
29 pages; 8 figures; 7 tables