本文介绍了智能交通系统（ITS）的关键技术挑战及其现代化的应对之道，涵盖了从经典统计方法到现代机器学习和深度学习方法。特别介绍了基于图的机器学习方法以及其与 ITS 应用的关系，并详细阐述了两个最新颖的基于图的 ITS 应用示例。

Jun, 2023

该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

Dec, 2023

本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

Jan, 2021

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

物联网和下一代网络领域，图神经网络的应用和进展作出了重要贡献，并提供了全面的调研，包括数据融合、入侵检测、频谱感知等方面，同时对网络和战术系统的利用进行了详细描述，为研究者提供了一个全面资源。

May, 2024

该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

智能交通系统中的生成人工智能技术在处理不同类型任务的关键问题方面发挥了至关重要的作用，包括交通感知、交通预测、交通仿真和交通决策，并总结了在将生成人工智能应用于智能交通系统时面临的挑战和基于不同应用场景的未来研究方向。

Dec, 2023

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

本文介绍了一种适用于智能运输系统的边缘分析架构，其中数据在车辆或路边的智能传感器水平上处理，以克服联网通信延迟和数据可靠性问题，并提出了针对异构数据、自主控制、车队控制和网络安全等挑战的不同深度学习解决方案，能够为 ITS 提供可靠、安全和真正的智能交通环境。

Dec, 2017

本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

Mar, 2021