文献阅读 GNN -How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey

[1]

J. Ye, J. Zhao, K. Ye, and C. Xu, ‘How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey’, IEEE Trans. Intell. Transport. Syst., vol. 23, no. 5, pp. 3904–3924, May 2022, doi: 10.1109/TITS.2020.3043250.

这是一篇关于GNN在交通领域的应用的survey。

交通领域的算法进化：

传统统计方法：

• ARIMA
• VAR 
• Kalman filtering

缺陷：对 nonlinear 和 dynamic data 表现很差。

传统的ML：

• Support Vector Machine
• K-Nearest Neighbors 

can model non-linearity and extract more complex correlations in traffic data，但是用于大估摸表现仍然不好

深度ML：

• CNN 更适合处理结构化数据
• GNN 更容易提取图的空间特征

Traffic domain的问题和研究方向：

目前关于在traffic domain  使用GNN 的paper 有80% 以上都是用于 时空预测。

1 )交通状态预测：文献中的交通状态指的是交通流量、交通速度、行程时间、交通密度等。

2 )出行需求预测：出行需求预测的目的是估计未来需要出行的用户数量交通服务。它可以分为区域级需求预测和起讫点旅游需求预测两类。

3 )交通信号控制：交通信号控制的目的是对交通灯进行合理的控制，以减少车辆在道路交叉口的长时间停留。

4 )交通事件检测：重大事件会造成出行者的致命伤害和路网的长时间延误。

5 )人/车轨迹预测：轨迹预测旨在预测场景中动态智能体的未来位置。

用GNN 建模traffic network的几种方式：、

邻接矩阵建立的方式：

邻接矩阵一般来刻画空间依赖性

1.Fixed matrix

connection matrix： 测量两个节点之间的连接

distance matrix：测量两个节点之间的物理相近度

functional similarity matrix：测量两个节点之间的功能相似度

transportation connectivity matrix：衡量 地理上相距遥远但可以通过高速公路、高速公路或地铁便捷到达的区域之间的相关性。

2.Dynamic Matrix

由于先验知识的缺陷或数据的不完整，预定义的矩阵并不一定能反映节点之间的真实依赖关系。可以从数据中学习自适应的邻接矩阵。

3.Evolving Matrix

图结构会随着时间的推移而演化，因为一些边可能变得不可用，如道路拥堵或关闭，并且在缓解拥堵后重新变得可用。一个不断演化的拓扑结构被纳入到模型中来捕获这种动态的空间变化。

常用的GNN方法：

1) Spectral Graph Convolution:

2) Diffusion Graph Convolution: