ترجمه فارسی مقاله گرافیک شبکه عصبی برای برنامه ریزی حمل و نقل استراتژیک

چکیده

As the complexities of urban environments continue to grow, the modelling of transportation systems become increasingly challenging. This paper explores the application of advanced Graph Neural Network (GNN) architectures as surrogate models for strategic transport planning. Building upon a prior work that laid the foundation with graph convolution networks (GCN), our study delves into the comparative analysis of established GCN with the more expressive Graph Attention Network (GAT). Additionally, we propose a novel GAT variant (namely GATv3) to address over-smoothing issues in graph-based models. Our investigation also includes the exploration of a hybrid model combining both GCN and GAT architectures, aiming to investigate the performance of the mixture. The three models are applied to various experiments to understand their limits. We analyse hierarchical regression setups, combining classification and regression tasks, and introduce fine-grained classification with a proposal of a method to convert outputs to precise values. Results reveal the superior performance of the new GAT in classification tasks. To the best of the authors’ knowledge, this is the first GAT model in literature to achieve larger depths. Surprisingly, the fine-grained classification task demonstrates the GCN’s unexpected dominance with additional training data. This shows that synthetic data generators can increase the training data, without overfitting issues whilst improving model performance. In conclusion, this research advances GNN based surrogate modelling, providing insights for refining GNN architectures. The findings open avenues for investigating the potential of the newly proposed GAT architecture and the modelling setups for other transportation problems.

چکیده به فارسی (ترجمه ماشینی)

با افزایش پیچیدگی های محیط های شهری ، مدل سازی سیستم های حمل و نقل به طور فزاینده ای چالش برانگیز می شود.در این مقاله به بررسی استفاده از معماری های پیشرفته نمودار عصبی (GNN) به عنوان مدل های جانشین برای برنامه ریزی حمل و نقل استراتژیک می پردازیم.با تکیه بر کار قبلی که پایه و اساس شبکه های نمودار Convolution (GCN) را پایه گذاری کرده است ، مطالعه ما به تجزیه و تحلیل مقایسه ای GCN مستقر با شبکه توجه گرافگرتر (GAT) می پردازد.علاوه بر این ، ما یک نوع جدید GAT (یعنی GATV3) را برای پرداختن به مسائل بیش از حد صاف در مدل های مبتنی بر نمودار پیشنهاد می کنیم.تحقیقات ما همچنین شامل اکتشاف یک مدل ترکیبی با ترکیب معماری GCN و GAT با هدف بررسی عملکرد مخلوط است.این سه مدل برای درک محدودیت های آنها در آزمایش های مختلف اعمال می شود.ما تنظیمات رگرسیون سلسله مراتبی ، ترکیب وظایف طبقه بندی و رگرسیون را تجزیه و تحلیل می کنیم و طبقه بندی ریز دانه را با پیشنهاد یک روش برای تبدیل خروجی ها به مقادیر دقیق معرفی می کنیم.نتایج نشان می دهد عملکرد برتر GAT جدید در کارهای طبقه بندی.به بهترین دانش نویسندگان ، این اولین مدل GAT در ادبیات برای دستیابی به اعماق بزرگتر است.با کمال تعجب ، کار طبقه بندی ریز دانه نشان دهنده تسلط غیر منتظره GCN با داده های آموزشی اضافی است.این نشان می دهد که ژنراتورهای داده مصنوعی می توانند داده های آموزشی را افزایش دهند ، بدون اینکه مشکلات بیش از حد را بهبود بخشند در حالی که عملکرد مدل را بهبود می بخشند.در پایان ، این تحقیق مدل سازی جانشین مبتنی بر GNN را پیش می برد و بینش هایی را برای پالایش معماری GNN ارائه می دهد.این یافته ها برای بررسی پتانسیل معماری تازه پیشنهادی GAT و مجموعه های مدل سازی برای سایر مشکلات حمل و نقل باز است.