图神经网络在车载社交网络中的应用：趋势、挑战与机遇

摘要——图神经网络（Graph Neural Networks, GNNs）近年来已成为建模复杂互联数据的强大工具，使其特别适用于广泛的智能交通系统（Intelligent Transportation System, ITS）应用。本综述首次系统性地针对车载社交网络（Vehicular Social Networks, VSNs）中的 GNN 应用展开全面回顾。通过利用包括交通模式、道路使用者以及天气条件在内的欧氏与非欧氏交通相关数据，GNN 为分析与提升 VSN 应用提供了有前景的解决方案。

本综述根据主要 VSN 相关任务——包括交通流与轨迹预测、交通预测、信号控制、驾驶辅助、路径规划问题以及连接管理——对现有研究进行系统分类与分析，并提供量化洞察与关键结论的综合总结。此外，综述还考察了当前可用的数据集，并提出推动基于 GNN 的 VSN 应用发展的开放研究方向。 研究结果表明，尽管 GNN 在提升特定任务或子 VSN 图上的准确性、鲁棒性与实时性能方面表现出显著潜力，但当前仍缺乏对完整、独立的、涵盖所有功能组件的 VSN 的整体建模研究。随着数据可获得性的增加与图学习技术的持续进步，GNN 有望在未来大规模、完全集成的 VSN 应用中发挥核心作用。

索引词——图神经网络（GNNs）、车载社交网络（VSNs）、智能交通系统（ITS）、智慧交通（Smart Mobility）

I. 引言

构建高效的智能交通系统（Intelligent Transportation System, ITS）正变得愈发迫切，其背后原因包括但不限于城市化的加速、车辆保有量的增长以及环境问题的严峻性。交通规模的快速扩大与工业化城市的发展，更使得从传统城市向智慧城市的转型变得紧迫。这一转型要求在道路使用者之间建立集成化的通信渠道，并支持多任务的同步处理，包括交通管理与控制、车辆间的无缝通信，以及安全与隐私的增强 [2]。 在此背景下，车载社交网络（Vehicular Social Networks, VSNs）作为一个专门领域应运而生，旨在实现车辆、道路使用者、骑行者以及道路单元等多种实体之间的实时通信。VSNs 将社交网络（Social Networks, SNs）与车载自组网（Vehicular Ad-hoc Networks, VANETs）融合，构建高效的数据传播平台。作为车联网（Internet of Vehicles, IoV）的前沿进展，VSNs 为车辆与道路参与者之间的可靠通信与协作式决策提供了独特平台。该技术旨在通过使车辆共享交通状况、道路风险以及驾驶行为等实时信息，从而提升驾驶安全性、交通效率与舒适性 [3]。VSNs 利用这些交互能力实现交通拥堵缓解、排放减少以及提升驾驶者响应能力，为 ITS 的总体目标提供了有针对性的解决方案 [4]。VSNs 在推动这些智能能力方面的作用凸显了其在未来车载通信中的重要地位。 进一步地，VSNs 在 ITS 中的集成具有更深层次的意义——其强大的能力能够处理并分析这些交互过程中产生的大规模数据。随着高维实时交通数据日益丰富，基于深度学习的方法（尤其是基于图神经网络的方法）被广泛提出用于增强 VSN 相关任务 [5]–[7]。这些模型对于捕获和分析历史交通流数据、理解交通参与者之间的关系、以及精确表征交通网络的动态时空特征至关重要。因此，一个核心挑战在于如何准确表征交通特征、道路网络结构与道路使用者之间的关系，并有效提取连接实体之间的拓扑关系与复杂关联。 由于交通数据量大且具有高度异质性，这一任务并非传统深度学习技术能够轻易处理。事实上，传统技术在应对实时数据时往往面临复杂度急剧上升的问题，直接影响模型的准确性与训练时间。此外，这些方法通常缺乏处理交通数据中不确定性的能力，而不确定性恰恰是交通数据结构的关键特性之一 [22]。 图神经网络（Graph Neural Networks, GNNs）是深度学习中的一种新型架构，已广泛应用于推荐系统、物联网（IoT）网络中的服务发现、生物信息学等领域 [23]–[25]。这种范式能够更有效地表示与处理图结构数据，即非欧氏数据。近年来，GNNs 逐渐成为交通模式建模与识别的热门工具。它们能够建模交通元素（如路口、道路和车辆）之间的复杂关系，从而有效表示与分析大规模交通数据。已有多种基于 GNN 的方法被提出并应用于多个交通相关任务，包括交通流预测 [26]、交通异常检测 [27] 和交通控制优化 [28]。在 [1] 中，我们对 GNN 在交通模式识别中的应用进行了简要回顾。所有这些研究都表明，GNNs 在处理真实交通数据的复杂性与异质性方面具有显著优势，相较传统方法拥有更优的性能。 本综述旨在系统梳理 GNN 在 VSN 中的应用，重点关注提升 ITS 与智慧出行服务的 VSN 相关任务。综述首先介绍交通研究中最常用的 GNN 架构，然后探讨文献中用于各种 VSN 相关任务的技术，包括交通模式识别、流量与轨迹预测、驾驶辅助以及交通数据分析。此外，我们还列举现有可用于建模 VSN 应用的公开数据集。最后，综述总结潜在的发展方向。值得一提的是，目前仅有少量关于 GNN 或 VSN 的综述，而专门聚焦“GNN 在 VSN 中的应用”的工作基本缺失。 本综述的主要贡献如下： * 我们首次系统性总结 GNN 在 VSN 中的应用，强调图学习如何支持并增强多种 VSN 相关任务。

我们根据核心 VSN 任务对现有研究进行结构化分类，包括交通流与轨迹预测、交通预测、信号控制、路径规划、驾驶辅助以及连接管理，并回顾相关的 GNN 架构。

我们对研究进行量化分析，总结 GNN 在 VSN 任务中的关键洞察；同时对开源数据集、方法选择与模型性能趋势进行详细分析。

我们指出当前的研究缺口，综合未来亟需探索的挑战与方向，以实现可扩展、实时且具有社会感知能力的 VSN 系统。

如表 I 所示，据我们所知，目前没有综述同时覆盖 “GNNs 与其在 VSN 中的应用”。大多数现有综述倾向于将两者分别讨论。例如，[13] 回顾了用于解决通用 ITS 应用的一系列机器学习方法；[17] 则专注于交通预测场景中的 GNN 架构综述；[29] 聚焦 GNN 在交通流预测中的应用。因此，与覆盖广泛 ITS 场景的通用性综述（如 [21]）不同，本综述明确聚焦 “GNN 在 VSN 中的应用”，深入探讨图结构在车辆连通性与社交交互中形成的特性，从而揭示其独特的研究挑战与机遇。 本文结构如下：第二节介绍 VSN 的概念、潜力与主要挑战；第三节介绍 GNN 的学习任务与与 ITS/VSN 相关的架构；第四节讨论 GNN 在 VSN 中的典型应用与代表性模型；第五节总结现有公开数据集；第六节讨论未来研究方向；第七节给出全文总结。图 1 给出了本综述内容的高层概览。