Пространственно-временные графовые нейронные сети для предиктивного обучения в городской информатике: обзор

Благодаря последним достижениям в области сенсорных технологий в умных городах генерируется и регистрируется огромное количество пространственно-временных данных. Прогнозирование закономерностей изменения пространственно-временных данных представляет собой важный, но сложный аспект городской информатики, способный повысить эффективность принятия интеллектуальных управленческих решений в различных сферах, включая транспорт, окружающую среду, климат, общественную безопасность, здравоохранение и другие. Традиционные статистические методы и методы глубокого обучения с трудом выявляют сложные взаимосвязи в городских пространственно-временных данных. Для решения этой задачи были предложены пространственно-временные графовые нейронные сети (Spatio-Temporal Graph Neural Networks, STGNN), продемонстрировавшие значительный потенциал в последние годы. STGNN обеспечивают извлечение сложных пространственно-временных зависимостей за счёт объединения графовых нейронных сетей (Graph Neural Networks, GNN) с различными методами временного обучения. В данной работе представлен всесторонний обзор последних достижений в области технологий STGNN для предиктивного обучения в городской информатике. Сначала даётся краткое введение в методы построения пространственно-временных графовых данных и распространённые архитектуры глубокого обучения, используемые в STGNN. Затем на основе существующей литературы систематизируются основные области применения и конкретные задачи предиктивного обучения. Далее подробно рассматриваются принципы построения STGNN и их сочетание с рядом передовых технологий, разработанных в последние годы. Наконец, обобщаются ограничения существующих исследований и предлагаются перспективные направления дальнейшей работы.