《图神经网络智能交通系统》综述论文

智能交通系统（ITS）变得越来越重要，因为它们有可能重塑我们的出行和管理城市的方式。将尖端技术融入 ITS 催生了各种旨在提高效率、安全性和可持续性的解决方案。其中一项技术是图神经网络（GNN），由于其能够建模复杂关系和处理不规则结构的数据，近年来它受到了关注。

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10077454

近年来，图神经网络（Graph Neural Networks，GNNs）已被广泛应用于各种各样的领域。由于它们分析图结构数据的能力，它们也在智能交通系统（Intelligent Transportation Systems，ITS）的应用中变得广泛流行。尽管它们在不同的交通领域有着广泛的应用，但并没有一个综合性的评论，涵盖了所有的交通领域的最近的进展和未来的研究方向。因此，在这篇综述中，我们首次提供了在ITS通用领域的GNN研究的概述。与之前仅限于交通预测问题的调查不同，我们探讨了GNN框架如何演变以应对不同的ITS应用，包括交通预测、需求预测、无人驾驶汽车、交叉口管理、停车管理、城市规划和交通安全。此外，我们根据研究的交通应用微分类研究，以识别领域特定的研究方向、机会和挑战，这在以前的调查中都是缺失的。我们还确定了独特且未讨论过的研究机会和方向，这是审查一系列交通应用的结果。在ITS应用中边缘和图学习的被忽视的角色、开发多模型和利用无监督和强化学习方法的能力以开发更强大的GNNs，是此次调查中新的讨论的一些例子。最后，我们在每个交通领域都确定了流行的基线模型和数据集，这有助于未来基于GNN的框架的开发和评估

GNN 在 ITS 中的应用

交通预测: GNN 已成功应用于预测交通状况，例如拥堵程度、出行时间和道路通行能力。它们可以捕获交通网络中复杂的时空依赖性，并利用历史数据提供准确的短期和长期交通预测。这有助于当局做出明智的交通管理决策并缓解拥堵问题。需求预测: 准确估计交通需求对于规划和管理交通服务至关重要。GNN 已被用于预测公共交通乘客量、车辆共享使用情况和出租车需求。通过整合时间、天气和社会经济变量等各种因素，GNN 可以产生更精确的需求预测，从而实现更好的资源分配和改进的服务。自动驾驶: GNN 已被用来增强自动驾驶汽车的决策和感知能力。它们可以处理和分析来自激光雷达和摄像头等传感器的大规模、高维数据，以更好地了解周围环境。应用包括物体检测、跟踪和轨迹预测，这对于安全高效的自动驾驶车辆运行至关重要。十字路口管理: 高效的十字路口管理对于减少拥堵和改善交通流量至关重要。GNN 已用于优化交通信号和管理十字路口的交通流，同时考虑到交通的动态性质和交通网络不同部分的相互依赖性。这会产生更有效的十字路口控制策略，最大限度地减少延误并降低燃料消耗。停车管理: GNN 已用于预测停车位可用性、优化停车位分配并引导驾驶员到达可用停车位。通过分析传感器的实时数据，GNN 可以帮助更有效地管理停车设施，减少寻找停车位的时间，并缓解汽车寻找停车位造成的拥堵。城市规划: GNN 可以分析交通网络和基础设施，以支持更好的城市规划和政策制定。它们可用于模拟交通系统不同组成部分之间的相互作用，并评估各种政策和干预措施对交通效率、可持续性和可达性的影响。这有助于城市规划者和决策者制定促进可持续和公平交通系统的战略。运输安全: GNN 已被用于识别和解决交通系统中的安全问题，例如事故预测和预防。它们可以分析大规模的异构数据，以检测事故多发区域，预测事故发生的可能性，并提出有针对性的干预措施以提高安全性。这些类别展示了 GNN 在解决广泛的 ITS 应用方面的多功能性，展示了它们对交通系统的未来产生重大影响的潜力。