ترجمه فارسی مقاله شبکه‌های عصبی دنباله گراف ناهمگن برای تخصیص ترافیک پویا

چکیده

Traffic assignment and traffic flow prediction provide critical insights for urban planning, traffic management, and the development of intelligent transportation systems. An efficient model for calculating traffic flows over the entire transportation network could provide a more detailed and realistic understanding of traffic dynamics. However, existing traffic prediction approaches, such as those utilizing graph neural networks, are typically limited to locations where sensors are deployed and cannot predict traffic flows beyond sensor locations. To alleviate this limitation, inspired by fundamental relationship that exists between link flows and the origin-destination (OD) travel demands, we proposed the Heterogeneous Spatio-Temporal Graph Sequence Network (HSTGSN). HSTGSN exploits dependency between origin and destination nodes, even when it is long-range, and learns implicit vehicle route choices under different origin-destination demands. This model is based on a heterogeneous graph which consists of road links, OD links (virtual links connecting origins and destinations) and a spatio-temporal graph encoder-decoder that captures the spatio-temporal relationship between OD demands and flow distribution. We will show how the graph encoder-decoder is able to recover the incomplete information in the OD demand, by using node embedding from the graph decoder to predict the temporal changes in flow distribution. Using extensive experimental studies on real-world networks with complete/incomplete OD demands, we demonstrate that our method can not only capture the implicit spatio-temporal relationship between link traffic flows and OD demands but also achieve accurate prediction performance and generalization capability.

چکیده به فارسی (ترجمه ماشینی)

واگذاری ترافیک و پیش بینی جریان ترافیک بینش مهمی را برای برنامه ریزی شهری ، مدیریت ترافیک و توسعه سیستم های حمل و نقل هوشمند فراهم می کند.یک مدل کارآمد برای محاسبه جریان ترافیک در کل شبکه حمل و نقل می تواند درک دقیق تر و واقع بینانه تری از پویایی ترافیک ارائه دهد.با این حال ، رویکردهای پیش بینی ترافیک موجود ، مانند مواردی که از شبکه های عصبی نمودار استفاده می کنند ، به طور معمول محدود به مکانهایی هستند که سنسورها مستقر می شوند و نمی توانند جریان ترافیک فراتر از مکان های سنسور را پیش بینی کنند.برای کاهش این محدودیت ، با الهام از روابط اساسی که بین جریان پیوند و تقاضای سفر مبداء (OD) وجود دارد ، ما شبکه توالی نمودار فضایی و زمانی ناهمگن (HSTGSN) را پیشنهاد کردیم.HSTGSN از وابستگی بین منشأ و گره های مقصد استفاده می کند ، حتی اگر دوربرد باشد ، و گزینه های ضمنی مسیر خودرو را تحت تقاضای مختلف تخلیه مبداء می آموزد.این مدل مبتنی بر یک نمودار ناهمگن است که از پیوندهای جاده ای ، پیوندهای OD (پیوندهای مجازی که ریشه ها و مقصد ها را به هم متصل می کند) و یک رمزگذار-دکوراسیون نمودار فضایی و زمانی که رابطه فضایی و زمانی بین تقاضای OD و توزیع جریان را ضبط می کند ، ساخته شده است.ما نشان خواهیم داد که چگونه رمزگذار رمزگذار نمودار قادر به بازیابی اطلاعات ناقص در تقاضای OD است ، با استفاده از گره تعبیه شده از رمزگذار نمودار برای پیش بینی تغییرات زمانی در توزیع جریان.با استفاده از مطالعات تجربی گسترده در شبکه های دنیای واقعی با خواسته های کامل/ناقص OD ، ما نشان می دهیم که روش ما نه تنها می تواند رابطه فضا-زمانی ضمنی بین جریان ترافیک پیوند و تقاضای OD را ضبط کند بلکه به عملکرد دقیق پیش بینی و قابلیت تعمیم نیز می رسد.