解构图：用于移动性预测的神经关系推断
机器学习
2022-01-26 v1
摘要
预测交通系统的供需对于高效的交通管理、控制、优化和规划至关重要。例如，预测人们打算何时何地乘坐出租车出行可支持车队管理者分配资源；更好地预测交通速度/拥堵可支持主动控制措施或让用户更好地选择路径。时空预测是一项已知困难的任务，但近来图神经网络（GNNs）已广泛应用于非欧几里得空间数据。然而，大多数 GNN 模型需要预定义图，迄今为止研究者依赖启发式方法生成该图供模型使用。本文中，我们使用神经关系推断来学习模型的最优图。我们的方法有几个优势：1）变分自编码器结构允许图由数据动态确定，并可能随时间变化；2）编码器结构允许在图生成中使用外部数据；3）可以在生成的图上放置贝叶斯先验以编码领域知识。我们在两个数据集上进行了实验，即 NYC Yellow Taxi 和 PEMS 道路交通数据集。在两个数据集中，我们的性能均优于基准并展现出与最先进方法相当的表现。此外，我们对学习到的图进行了深入分析，提供了关于 GNNs 在交通领域进行时空预测时使用何种连接的见解。
引用
@article{arxiv.2201.10307,
title = {Unboxing the graph: Neural Relational Inference for Mobility Prediction},
author = {Mathias Niemann Tygesen and Francisco C. Pereira and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2201.10307},
year = {2022}
}