داده‌ کاوی در شبکه‌های حمل و نقل با شبکه‌های عصبی گراف: پیشرفت‌ها و کاربردها

شبکه‌های عصبی گراف (GNN) با مدل‌سازی مؤثر همبستگی‌های مکانی-زمانی و حل وظایف پیچیده مانند پیش‌بینی ترافیک، بهینه‌سازی مسیر و پیش‌بینی تقاضا، داده‌کاوی در شبکه‌های حمل‌ونقل (DMTN) را متحول کرده‌اند. در زیر ترکیبی از پیشرفت‌های اخیر، کاربردهای صنعتی و جهت‌گیری‌های آینده بر اساس تحقیقات 2023-2025 آمده است:

شکل 1: چارچوب این نظرسنجی. بررسی با ارائه مسائل داده کاوی در حمل و نقل و مدل‌های مختلف GNN (بخش 2 و 3) آغاز می‌شود. متعاقباً، به تحقیقات فعلی و آینده‌نگر در مورد پیش‌بینی ترافیک، عملیات، و کاربردهای صنعت محور می‌پردازد (بخش‌های 4 و 5). در نهایت، داده‌ها و مجموعه‌های کد را مورد بحث قرار گرفته و به دنبال آن نتیجه‌گیری می‌شود (بخش 6 و 7).

1. چرا GNNها در حمل و نقل؟

GNNها در پردازش داده‌های ساختاری گرافی ذاتی سیستم‌های حمل و نقل، مانند شبکه‌های جاده‌ای، مسیرهای حمل و نقل عمومی و تعاملات وسیله نقلیه برتری دارند. مزایای کلیدی عبارتند از:

- مدل‌سازی فضایی: وابستگی‌های بین گره‌ها (به عنوان مثال، تقاطع‌ها) و لبه‌ها (به عنوان مثال، بخش‌های جاده) را ثبت می‌کند.

- سازگاری پویا: تغییرات زمانی (مثلاً شلوغی ساعات شلوغی) را از طریق معماری‌های تکراری یا مبتنی بر توجه کنترل می‌کند.

- مقیاس‌پذیری: به طور موثر شبکه‌های مقیاس بزرگ را پردازش می‌کند، مانند پیش‌بینی‌های جهانی ETA در Google Maps [۱][3].

شکل ۲: مدل‌های برجسته GNN از 2016 تا 2024. برای مدل‌های همان سال، موقعیت‌های عمودی از معیارهای صریح تبعیت نمی‌کنند. خوانندگان می توانند مقالات تحقیقاتی هر مدل را با مراجعه به اختصارات مدل آنها جستجو کنند.

2. برنامه‌های کاربردی کلیدی

الف) پیش بینی ترافیک

- تخمین زمان سفر:

* GNN ها با مدل سازی دینامیک جریان ترافیک، زمان سفر بخش جاده را پیش بینی می‌کنند. برای مثال، Google Maps با استفاده از GNN که پیش‌بینی‌های سطح بخش را جمع‌آوری می‌کند، 16 تا 51 درصد خطاهای ETA را در 19 شهر کاهش داد [1][3].

* ابزارهای صنعتی مانند Baidu Maps و Amap از چارچوب‌های مشابه برای به روز رسانی بلادرنگ استفاده می‌کنند [3].

- پیش بینی تقاضا: تقاضای تاکسی، اشتراک سواری و دوچرخه مشترک را پیش بینی می‌کند. یک مطالعه موردی نانجینگ از GNN برای پیش‌بینی تقاضای اشتراک دوچرخه در 200 ایستگاه، استفاده از داده‌های تراکنش و وابستگی‌های فضایی استفاده کرد [5].

ب) عملیات ترافیک

- مسیریابی و جابجایی وسیله نقلیه: GNNها مسیرها را برای تدارکات (به عنوان مثال، فدرال اکسپرس) و به اشتراک‌گذاری سواری (مانند Uber) با متعادل کردن زمان سفر، هزینه و تقاضا بهینه می‌کنند. به عنوان مثال، ژانگ و همکاران (2023) GNNها را با ترانسفورمرها ترکیب کرد تا نقاط بین مسیرهای تحویل را تولید کند [1].

- کنترل سیگنال ترافیک: سیستم های چراغ راهنمایی تطبیقی از GNN برای به حداقل رساندن تراکم با یادگیری الگوهای جریان ترافیک استفاده می کنند [2][4].

- مسئله تخصیص ترافیک (TAP): GNNها تقاضای ترافیک را برای پیوند جریان‌ها با کمتر از 2% خطا در شبکه‌های مصنوعی و دنیای واقعی (مانند شبکه‌های جاده‌ای ماساچوست) ترسیم می‌کنند [1].

ج) ایمنی و برنامه‌ریزی شهری

- پیش‌بینی خطر تصادف: GNNها نقاط حادثه خیز را با همبستگی داده‌های تصادف تاریخی با توپولوژی جاده تجزیه و تحلیل می‌کنند [4].

- مدیریت پارکینگ: در دسترس بودن پارکینگ را با استفاده از گراف‌های تراکنش پارکینگ [4] پیش‌بینی می‌کند.

شکل ۳: دو رویکرد برای ادغام GNN و LLM. اولین رویکرد از GNNها برای تولید تعبیه گره‌های آگاه از توپولوژی شبکه استفاده می‌کند و آنها را به LLMهای بعدی تغذیه می‌کند (Perozzi و همکاران, 2024). در مقابل، رویکرد دوم از دانش LLMهای از پیش آموزش دیده برای تقویت GNNهای پایین دستی استفاده می‌کند (وی و همکاران، 2024)، و کمبود اطلاعات را در طول آموزش GNN کاهش می‌دهد.

3. مشارکت در صنعت

شرکت‌های بزرگ فناوری GNNها را در خدمات حمل و نقل ادغام کرده‌اند:

- نقشه‌های گوگل: از GNNها برای پیش‌بینی‌های ETA استفاده می‌کند و تاخیرها را از طریق به روز رسانی ترافیک بلادرنگ کاهش می‌دهد [1].

- نقشه‌های Baidu: توصیه‌های مسیر را با مدل‌سازی سلسله مراتب شبکه جاده‌ها [3] بهبود می‌بخشد.

- Uber/Ola: با استفاده از پیش‌بینی‌های تقاضا مبتنی بر GNN، تغییر موقعیت خودرو را در شبکه‌های اشتراک‌گذاری سواری بهینه می‌کند [1][4].

4. چالش‌ها

- کیفیت داده: نویز در ردیابی GPS، داده‌های حسگر ناقص و ناهمگونی طرحواره آموزش مدل را پیچیده می‌کند [1][3].

- مقیاس‌پذیری: پردازش گراف‌های میلیارد لبه (به عنوان مثال، شبکه‌های جاده‌ای جهانی) به چارچوب‌های محاسباتی توزیع شده نیاز دارد [1][5].

- قابلیت تفسیر: GNNهای جعبه سیاه مانع اعتماد به برنامه‌های کاربردی حیاتی ایمنی مانند وسایل نقلیه خودران می‌شوند [2][4].

5. مسیرهای آینده

- 1. یکپارچه‌سازی چند وجهی: GNNها را با ترانسفورمرهای بینایی برای وسایل نقلیه خودران با استفاده از دوربین، LiDAR و داده‌های گراف ترافیک ترکیب کنید [2][4].

- 2. مدل‌های بنیاد: توسعه GNNهای در مقیاس بزرگ که بر روی مجموعه داده‌های حمل و نقل متنوع از قبل آموزش دیده‌اند برای انطباق سریع با شهرهای جدید [3].

- 3. هوش مصنوعی اخلاقی: تعصبات را در پیش‌بینی ترافیک (مثلاً محله‌های کم خدمات) از طریق GNN‌های آگاه از انصاف برطرف کنید [4].

- 4. ابزارهای میان رشته‌ای: دموکراتیک کردن مجموعه داده‌ها (به عنوان مثال، شبکه‌های ترافیک مصنوعی) و پایگاه‌های کد برای ایجاد پل ارتباطی با دانشگاه و صنعت [1][3].

نتیجه‌گیری

GNNها در داده کاوی حمل و نقل ضروری شده‌اند و همه چیز را از پیش‌بینی ETA در زمان واقعی تا برنامه‌ریزی ایمنی شهری تامین می‌کنند. در حالی که چالش‌هایی مانند مقیاس‌پذیری و تفسیرپذیری ادامه دارند، همکاری‌های بین دانشگاه و صنعت (به عنوان مثال، ابزارهای منبع باز Google) پیشرفت را تسریع می‌کنند. تحقیقات آینده باید چارچوب‌های اخلاقی و معماری‌های چندوجهی را برای باز کردن سیستم‌های حمل‌ونقل هوشمندتر و عادلانه‌تر اولویت‌بندی کند.

- [Google’s GNN-based ETA Model](https://deepmind.google/discover/blog/traffic-prediction-with-advanced-graph-neural-networks/)

- [Nanjing Bike-Sharing Demand Prediction (Chalmers ODR)] (https://odr.chalmers.se/bitstreams/1e753219-eb09-40f3-b581-50758e319e05/download)

- [GNNs for Traffic Assignment (Rahman & Hasan, 2023)] (https://arxiv.org/abs/2501.16656)

This synthesis integrates findings from arXiv reviews [1][3], ITS surveys[2][4], and practical case studies[5].

[1] https://arxiv.org/html/2501.16656v1

[2] https://arxiv.org/abs/2401.00713

[3] https://arxiv.org/abs/2501.16656

[4] https://research.tudelft.nl/files/150498419/Graph_Neural_Networks_for_Intelligent_Transportation_Systems_A_Survey.pdf

[5] https://odr.chalmers.se/bitstreams/1e753219-eb09-40f3-b581-50758e319e05/download

[6] https://repository.kaust.edu.sa/bitstreams/bc20fa52-aea9-47cb-9d9e-0caa5db4286c/download

[7] https://neptune.ai/blog/graph-neural-network-and-some-of-gnn-applications

[8] https://arxiv.org/html/2401.00713v2