用于城市空间的时空图神经网络：插值城市交通量
机器学习
2025-12-18 v2 计算机与社会
摘要
图神经网络在高速公路和主要干线网络的交通量预测中表现突出，但应用于城市场景时面临独特挑战：城市网络结构更为多样，交通量高度异分布且含大量零值，如何充分考虑空间依赖关系尚不明确，传感器覆盖通常稀疏。我们引入图神经网络城市插值（Graph Neural Network for Urban Interpolation, GNNUI）方法，作为新型城市交通量估计方法。GNNUI 采用掩码算法学习插值，整合节点特征以捕获功能角色，并使用针对零失配交通分布的损失函数。除模型外，我们还引入两个新型开放大规模城市交通量基准数据集，覆盖不同交通方式：分别来自柏林和纽约市的 Strava 骑行数据和出租车数据。GNNUI 在 MAE、RMSE、true-zero rate、Kullback-Leibler 发散等指标上超越近期方法，包括一些基于图的方法，90% 到 1% 的传感器覆盖下仍保持稳健性能。例如，在 Strava 数据集上，MAE 从 7.1 增至 10.5，在出租车数据集上从 23.0 增至 40.4。这些结果表明，GNNUI 在实际城市环境中常见的极端数据稀缺条件下仍能保持强性能。我们还考察了图连通性选择对模型准确性的影响。
引用
@article{arxiv.2505.06292,
title = {Spatio-Temporal Graph Neural Network for Urban Spaces: Interpolating Citywide Traffic Volume},
author = {Silke K. Kaiser and Filipe Rodrigues and Carlos Lima Azevedo and Lynn H. Kaack},
journal= {arXiv preprint arXiv:2505.06292},
year = {2025}
}