Graph neural network methods for analysing urban transport topology in several cities

Abstract

В последние годы появилось множество исследований, посвященных методам глубокого обучения для расширения графовых данных. Растущий спрос на обработку графовых данных привел к значительным и отличным результатам применения алгоритмов графовых нейронных сетей во многих областях, особенно в компьютерном зрении, обработке звука и прогнозировании городского трафика, где они демонстрируют замечательную эффективность. Анализ и распознавание топологии городского движения имеют большое значение для городского планирования и управления. Традиционные методы анализа топологии городского движения основаны на человеческом анализе или математическом моделировании, которые не подходят для работы со сложными и разнообразными городскими транспортными сетями в эпоху больших данных. В данной работе используются графовые нейронные сети для анализа топологии городского трафика на примере сети автобусных маршрутов, состоящей из автовокзалов, автобусных линий и различных атрибутов районов, в которых расположены автовокзалы. Мы исследуем методы анализа и прогнозирования топологии городского трафика на основе графовых нейронных сетей. Мы предлагаем модель, объединяющую графовые нейронные сети с методами кластеризации направленных графов, использующую различные методы кластеризации для обработки топологии городского трафика, и оцениваем эффективность предложенного метода с помощью экспериментов, сравнивая его применимость в разных городах. Объединив графовые нейронные сети с методами кластеризации, мы разработали метод идентификации и прогнозирования топологии городского трафика на основе графовых нейронных сетей, направленный на повышение точности и эффективности модели. Экспериментальные результаты показывают, что предложенный метод может эффективно анализировать, идентифицировать и определять топологию городского движения и демонстрирует хорошие результаты по соответствующим метрикам оценки.

In recent years, there has been a proliferation of research on deep learning methods for expanding graph data. The increasing demand for graph data processing has led to significant and excellent results of graph neural network algorithms in multiple domains, especially in computer vision, audio processing, and urban traffic prediction, where they demonstrate remarkable efficacy. The analysis and recognition of urban traffic topology are of great significance for urban planning and management. Traditional methods for analyzing urban traffic topology rely on manual analysis or mathematical modeling, which are inadequate to handle the complex and diverse urban traffic networks in the era of big data. This paper utilizes graph neural networks to analyze urban traffic topology, focusing on a bus route network composed of bus stations, bus lines, and various attributes of the areas where bus stations are located. We explore graph neural network-based methods for analyzing and predicting urban traffic topology. We propose a model combining graph neural networks with directed graph clustering methods, using various clustering techniques to process urban traffic topology and evaluate the performance of the proposed method through experiments, comparing its applicability in different cities. By combining graph neural networks with clustering methods, we design a method for identifying and predicting urban traffic topology based on graph neural networks, aiming to improve the accuracy and effectiveness of the model. Experimental results demonstrate that the proposed method can effectively analyze, identify, and detect urban traffic topology and performs well on relevant evaluation metrics.