Графовые нейронные сети для интеллектуальных транспортных систем: обзор

В последние годы графовые нейронные сети (GNN) широко применяются в самых различных областях. Благодаря высокой эффективности анализа данных, структурированных в виде графов, они также получили широкое распространение в приложениях интеллектуальных транспортных систем (ITS). Несмотря на многочисленные применения в различных транспортных областях, комплексный обзор последних достижений и перспективных направлений исследований, охватывающий все направления транспорта, отсутствует. В связи с этим в данном обзоре впервые представлена обзорная характеристика исследований графовых нейронных сетей в общей области интеллектуальных транспортных систем. В отличие от предыдущих обзоров, ограничивавшихся задачами прогнозирования трафика, мы рассматриваем развитие графовых нейронных сетей для различных приложений ITS, включая прогнозирование трафика, прогнозирование спроса, автономные транспортные средства, управление перекрёстками, управление парковками, городское планирование и транспортную безопасность. Кроме того, исследования подробно классифицированы по транспортным приложениям, что позволяет выявить специфические для отдельных областей направления исследований, возможности и проблемы, которым в предыдущих обзорах не уделялось внимания. Более того, на основе анализа широкого спектра транспортных приложений выявлены уникальные и ранее не обсуждавшиеся возможности и направления исследований. К числу новых аспектов, рассмотренных в данном обзоре, относятся недооценённая роль обучения на рёбрах и графового обучения в приложениях ITS, разработка мультимодальных моделей, а также использование возможностей методов обучения без учителя и обучения с подкреплением для создания более эффективных графовых нейронных сетей. Наконец, для каждой транспортной области определены популярные базовые модели и наборы данных, что способствует разработке и оценке будущих архитектур на основе графовых нейронных сетей.