Прогнозирование транспортного потока с использованием графовых нейронных сетей

Abstract

Прогнозирование транспортного потока остается одной из самых важных проблем в сфере транспортной инженерии. Сложность проблемы обусловлена тем фактом, что транспортные потоки имеют сложные нелинейные пространственно-временные зависи-мости. Развитие современных математических моделей и, в частности, аппарата нейронных сетей, позволяет применять сверточные нейронные сети для решения транспортных про-блем. В статье исследуется архитектура графовой сверточной нейронной сети для решения задачи прогнозирования параметров транспортных потоков. Рассматриваемая нейронная сеть учитывает дневные и недельные паттерны распространения транспортных потоков. Экспериментальные исследования на транспортной сети города Самары показывают пре-имущества графовой нейронной сети по сравнению с другими рассмотренными алгорит-мами прогнозирования. Traffic flow prediction remains one of the most important issues in transport engineering. The complexity of the problem is explained by the fact that traffic flows have complex nonlinear space-time relationships. The development of modern mathematical models, and, in particular, the deep neural networks, allows using convolutional neural networks to solve transportation problems. The article investigates the architecture of a graph convolutional neural network to solve the short-term traffic flow prediction problem. The proposed neural network takes into account the daily and weekly patterns of traffic flows distribution. Experimental studies on the transport network of the Samara city demonstrate the advantages of a graph neural network in comparison with the other considered prediction algorithms.