文章目錄

• Abstract and Introduction
• Related Work
• Problems, Research directions, Challenges
• Problems formulation and Graph construction
• Deep Learning techniques perspective
• • (1)概要
  • (2)GNNs
  • (3) RNNs
  • (4) TCN
  • (5) Seq2Seq
  • (6) GAN
• Challenges and solutions
• Open datasets and codes
• Directions
• Conclusion

論文地址：https://arxiv.org/abs/2005.11691
https://arxiv.org/pdf/2005.11691.pdf
論文作者：Jiexia Ye, Juanjuan Zhao, Kejiang Ye, Chengzhong Xu (IEEE Fellow)
關鍵詞：圖神經網絡（GNNs)，圖卷積神經網絡（GCN），深度學習，智能交通；

Abstract and Introduction

深度學習在計算機視覺和自然語言處理上的成功激發了學者將深度學習應用于交通領域的研究熱情。傳統上，很多工作將交通網絡建模為網格或者分段，但很多交通網絡本質上是圖的結構，非圖結構建模會導致某些有用的空間信息的丟失。最近，將深度學習擴展到圖結構上的工作越來越多，這些技術被統稱為圖神經網絡 graph neural networks (GNNs)。在這背景下，交通領域中，構建基于圖視角的深度學習框架也越來越多。本論文旨在對這些框架進行總結，提供一個全面、深入、細致、實用性強的綜述。

本論文的貢獻如下：
（1）系統且扼要地描述了現有的traffic problems和相應的research directions, challenges。
（2）總結了針對時空預測類交通問題的一般性problem formulation，同時給出了從四種交通數據集(sensors datasets, GPS datasets, rail-hailing datasets, transaction datasets) 中構建圖的具體指導。還進一步對圖的關鍵元素-adjacency matrix的定義進行討論。
（3）將已有的圖深度學習框架分解，總結其中常見的深度學習技術，包括 GNNs (SGCN/GGCN), RNNs (RNN/GRU/LSTM), TCN, Seq2Seq, GAN, gated/attention/residual mechanism。分析這些技術的理論，優缺點，在交通場景中的具體變種和應用。
（4）具體闡述了交通場景中的共同挑戰（時間依賴，空間依賴，時空聯動，外部因素），并針對每種挑戰，總結了多種基于深度學習的解決方案。
（5）收集了一些公開的數據集，還有公開的代碼，提出了未來的研究方向

Related Work

在這部分里，作者介紹了10篇交通綜述論文，其中大部分是深度學習綜述論文；另外，還介紹了5篇圖神經網絡的綜述論文。作者還指出，這些綜述基本沒有提到圖神經網絡在智能交通中的應用，因而作者的工作實屬首次。

Problems, Research directions, Challenges

作者扼要介紹了交通領域中的五種交通問題，分別是交通堵塞，出行需求，交通安全，交通監管，自動駕駛，并介紹了每種交通問題下的研究方向。同時，作者也扼要闡述了每種研究方向的重要性和有關工作。

另外，作者提取了各種交通問題面臨的共同挑戰，并概要指出了其對應的深度學習技術。

Problems formulation and Graph construction

作者定義了論文中用到的數學符號，非常細致和系統，將變量分為時間變量，空間變量，時空變量，可以作為相關工作的符號定義的參考。

基于大部分調查的交通問題都屬于時空問題，作者總結出一個一般性的問題建模框架，如下所示：

另外，作者針對四種數據集 (sensors datasets, GPS datasets, rail-hailing datasets, transaction datasets)，細致地介紹如何針對這些數據集構建圖，如何定義點，邊，點的特征等。


最精彩的部分是作者總結了圖的鄰接矩陣的定義。在不同的交通應用中，針對不同的交通模式，可以定義各種鄰接矩陣。假設交通網絡拓撲結構是固定的，可設計固定的鄰接矩陣；假設交通網絡是動態的，可設計動態的鄰接矩陣。另外假設網絡結構是多樣的，可設計多個鄰接矩陣。

Deep Learning techniques perspective

(1)概要

作者將近三年（2018-2020）的基于圖的深度學習框架進行分解，總結了五種經常出現的技術，分別是圖神經網絡GNNs，循環神經網絡RNNs，時間卷積網絡TCN，序列到序列模型seq2seq，生成對抗網絡GAN，還有門機制/注意力機制/殘差機制等。

作者深入地分析這些技術的核心公式，優缺點，還介紹了每種技術在交通中是如何應用的，列舉了它們的變種公式，所解決的問題。
這部分的特色是深入和細致，配套公式多但清晰；不是泛泛而談，停留在文字描述層面。相信讀者能通過閱讀這部分，更深刻地了解這些深度學習技術的原理，以及如何在具體任務中對它們進行重新設計。

(2)GNNs

針對最熱點和最核心的圖神經網絡，作者主要介紹了它在交通領域最常見的兩個分支，分別是SGCN, DGCN；作者對SGCN的關鍵工作進行梳理 ，分別是（1）Bruna/Shuman 2013 (2) Defferrard 2016 (3) Kipf 2016；

圖（1）：GNNs的一般框架

圖（2）：SGCN的公式

圖（3）：DGCN的公式

圖（4）各種GNNs的變種

(3) RNNs

作者比較了三種常見的時間序列模型（RNN,LSTM,GRU）的優缺點，闡述了它們在交通中的應用。

圖（1）：RNN的框架

圖（2）：RNNs的變種

(4) TCN

TCN是一個新興的處理時間序列的網絡，作者對它的原理以及它在交通中的應用作出詳細的介紹。

圖（1）TCN的結構

圖（2）TCN的公式

圖（3）TCN的應用

(5) Seq2Seq

Seq2Seq能處理多步輸出，作者介紹了Seq2Seq的無注意力和有注意力版本，并總結了交通工作中對encoder和decoder的設計。

圖（1）Seq2Seq

(6) GAN

作者介紹了GAN在交通中的應用

Challenges and solutions

作者細致地介紹了交通領域所面臨的一些共同挑戰，以及針對這些挑戰所提供的解決方案。作者主要總結了時間依賴性，空間依賴性，時空依賴性，外部因素四種挑戰。
對于時間依賴性，作者細分為（1）Multi-timescale，（2）Different Weights；對空間依賴性，作者細分為 （1）Spatial Locality，(2) Multiple Relationships，(3) Global Connectivity 三種挑戰。

Open datasets and codes

作者收集了一些公開的交通數據集和代碼，以促進智能交通的研究。

Directions

作者總結了三個未來的研究方向，包括技術方面的，應用方面的，挑戰方面的。

Conclusion

本論文在交通綜述領域中，是一篇深入且細致的論文，實用性強。有個不足之處在于，只總結了基于圖視角的有關工作，但這也是本論文的特色之處。

總結

以上是生活随笔為你收集整理的智能交通的深度学习综述-基于图卷积神网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。