《图神经网络智能交通系统》最新综述

智能交通系统（ITS）对于改善交通拥堵、减少交通事故、优化城市规划等方面至关重要。然而，由于交通网络的复杂性，传统机器学习和统计方法已经逐渐退居二线。随着人工智能时代的到来，许多深度学习框架在各个领域取得了显著进展，现在被认为是许多领域中有效的方法。作为一种深度学习方法，自2019年以来，图神经网络（GNNs）在ITS领域成为一种极具竞争力的方法，这得益于它们在处理图相关问题上的强大能力。因此，越来越多的学者开始关注GNNs在交通领域的应用，这些应用已经显示出卓越的性能。然而，这一领域的大多数研究仍然集中在交通预测上，而ITS的其他领域，如自动驾驶和城市规划，仍需要更多关注。本文旨在综述GNNs在六个代表性和新兴的ITS领域的应用：交通预测、自动驾驶、交通信号控制、交通安全、需求预测和停车管理。我们回顾了2018至2023年的广泛的图相关研究，总结了它们的方法、特点和贡献，并以信息丰富的表格或列表的形式呈现。最后，我们确定了将GNNs应用于ITS的挑战，并提出了潜在的未来方向。 随着城市的扩张和交通系统的发展，一些交通系统问题逐渐暴露出来，包括交通拥堵、环境污染和日益增加的交通事故数量。为了缓解上述问题，改善交通流量，规划路线，提高交通安全，五十多年前美国提出了智能交通系统（ITS）。ITS是一个涵盖许多领域的智能系统，包括交通预测、自动驾驶、交通信号控制等。值得注意的是，交通预测是吸引最多关注的最热门研究领域之一，因为它在交通领域具有基础应用，如优化路线规划，促进道路交通，减少交通事故。然而，在这些ITS子领域中实现高精度和高置信度仍然是一大挑战。根据Verses等人[147]的说法，处理大量嘈杂数据以及可扩展性和泛化方面存在许多实际挑战。因此，应进一步开发高效的算法和可扩展的模型，以充分利用大数据的潜力，建立准确高效的ITS。 在过去三十年中，提出了统计方法，如简单线性时间序列模型，包括自回归积分移动平均（ARIMA）[84, 167]，传统机器学习方法，包括逻辑回归（LR），支持向量回归（SVR），k-最近邻（KNN）[21, 68, 170]来解决这些问题。然而，数据的增长和复杂的道路条件使传统方法逐渐退居二线。此外，计算技术的进步，如图形处理单元（GPU），使得深度机器学习模型成为现象。根据[33]总结的深度学习驱动的交通预测的重要里程碑，自2015年以来，交通预测的深度学习模型蓬勃发展，2019年之后最受欢迎的模型是图神经网络（GNNs）。GNNs的优势不仅在于能够很好地建模基于图的问题，还在于能够捕捉时空依赖性并在非欧几里得空间中表示关系[33, 69, 120]。

在对ITS领域的工作进行详细调查后，我们发现大部分研究集中在交通预测上。然而，我们认为ITS的其他领域需要更多关注。此外，尽管最近的研究已转向深度学习和强化学习等有前景的技术，但GNNs仍需要更多关注和应用。考虑到交通网络的图结构和上述GNNs的优势，我们认为它们是ITS下一个新兴且具有高度竞争力的解决方案。我们主要调查了2018年至2023年在ITS领域发表的基于GNNs的论文，并进行了详细总结。我们还确定了ITS领域面临的研究挑战，并提出了一些潜在的未来发展方向。 根据以上讨论，我们的主要贡献可以总结如下： • 综合性综述。对2018至2023年智能交通系统的广泛研究工作或调查进行了详细调研。这项研究不仅涵盖了ITS的一般和典型研究领域，而且对所综述的研究进行了详细阐述，总结了它们的方法和挑战，并形成了信息丰富的表格和列表。 • 全面的分类法。我们根据研究领域相关性、使用的图方法和遇到的特定领域挑战仔细分类了研究学术文献，帮助读者从多维度充分理解ITS的每个领域。 • 挑战和未来方向。在进行全面综述后，我们总结了将GNNs应用于ITS时面临的重大挑战，并提出了潜在的未来方向，这对于那些想要跟进并深入研究这一研究领域的人来说是有益的。