研究背景

流量预测是一系列智能交通系统和智慧城市应用的关键使能技术，包括但不限于行程规划、道路交通控制和车辆调度。文献中曾经提出了各种预测方法，包括统计模型、机器学习模型和深度学习模型。近年来，图神经网络已经成为最先进的流量预测解决方案，而且非常适合于具有图结构的交通信息系统。

来自北京邮电大学姜蔚蔚博士、新加坡南洋理工大学罗佳韵博士、北京雁栖湖应用数学研究院何苗博士以及中国工业互联网研究院顾维玺博士发表在 ISPRS International Journal of Geo-Information (IJGI) 期刊上的文章，介绍了图神经网络模型在流量预测应用中的最新进展和未来研究方向，对相关领域的研究具有重要的指导意义。

研究内容

这篇论文旨在介绍图神经网络在流量预测方面的研究进展和最新的研究趋势。此外，这篇论文还总结了最新的开源数据集和代码资源，以便与研究社区共享。最后，这篇论文提出了未来研究的挑战和机遇，以启发后续研究。

研究结果

图为基于图结构的流量预测。

流量预测问题建模可以分为静态图和动态图两类模型。在早期的研究阶段，静态图由于其便利性被广泛使用。然而，研究人员意识到静态图不足以捕捉网络拓扑和流量模式的变化。例如，交通流量测量及其在路段上的相关性在空间和时间上是动态变化的，这超出了静态图形的建模能力。顾名思义，动态图是可以随着添加或删除新节点或边而演变的图。然而，当交通基础设施在考虑的时间段内保持不变时，静态图仍然非常有用。因此，一些研究人员同时使用动态和静态图。静态图用于对静态路网建模，动态图用于考虑动态交通事件和天气信息的影响。

图卷积神经网络和图注意力网络模型被广泛用于学习空间依赖性。为了学习时间依赖性，有一些经典的模型，如时间卷积网络、长短期记忆和门控循环单元。最近，一种基于注意力的模型，即Transformer，已被证明对捕获时间序列中的长期依赖性是有效的。然而， Transformer仅在少数文献中使用，仍有很大的研究空间。

研究结论

应用于流量预测的图神经网络研究仍然是一个研究的热点方向，其中路面交通流量和速度的预测依然是人们最关心的问题。图卷积神经网络和图注意力网络等模型已经被广泛应用，未来的研究方向包括基于交通仿真工具的验证、新预测模型的提出、与交通知识图谱的结合、大规模图神经网络的分布式学习框架、不确定预测的度量以及与深度强化学习的结合等。

原文出自 ISPRS IJGI 期刊：https://www.mdpi.com/2165316

进入期刊英文主页：https://www.mdpi.com/journal/ijgi

ISPRS IJGI 期刊介绍

主编：Wolfgang Kainz, University of Vienna, Austria

期刊主题涵盖地理信息科学和技术各个方面，主要包括空间数据模型与管理、空间分析与决策、地理空间人工智能、地图制图、空间数据基础设施、地理空间网络、志愿地理信息、基于位置的服务、轨迹分析、智慧城市和前沿地理空间应用等。

2023 Impact Factor：2.8

2023 CiteScore：6.9

5-year Impact Factor：3.0