只需小型图就足够：DeepStateGNN 实现交通预测的可扩展性
机器学习
2025-02-21 v1 人工智能
摘要
我们提出了一种新的图神经网络（GNN）模型，命名为DeepStateGNN，用于分析交通数据，展示了其在两个关键任务：预测和重构方面的有效性。不同于通常的GNN方法将每个交通传感器视为单个图节点，DeepStateGNN将传感器根据各种相似性标准聚类到更高级别的图节点，称为Deep State节点（Deep State Nodes）， resulting in a fixed number of nodes in a Deep State graph。术语“Deep State”节点是一种谐音玩笑，指隐秘的能源网络，就像这些节点一样，独立于可见传感器而自主控制交通。Deep State节点由多个相似性因素定义，包括空间接近性（例如位于道路网络附近的传感器）、功能相似性（例如位于类似类型的高速公路上的传感器）以及在特定条件下的行为相似性（例如在雨天的交通行为）。这种聚类方法允许动态和自适应的节点分组，因为传感器可以属于多个簇，而且簇会随时间演化。我们的实验结果表明，DeepStateGNN在可扩展性和训练速度方面优于其他方法，同时也提供了更精确的结果。它有效处理大规模传感器网络，在交通预测和重构准确性方面均优于其他方法。
引用
@article{arxiv.2502.14525,
title = {Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting},
author = {Yannick Wölker and Arash Hajisafi and Cyrus Shahabi and Matthias Renz},
journal= {arXiv preprint arXiv:2502.14525},
year = {2025}
}
备注
Yannick W\"olker and Arash Hajisafi contributed equally to this work