本文刊登于2020年11月第70期《超图通讯》
时空数据蕴含着巨大的应用价值，对时空数据的智能分析和预测是智慧城市和空间大数据领域中的重要问题。有效挖掘时空数据中的时空规律和知识，对智能交通、城市规划、公共安全和环境保护等方面都至关重要。然而，因为时空数据存在噪声多、特征复杂等特点，时空数据的预测建模一直是很有挑战性的难题。
近年来，空间大数据获取手段日趋多样，可获得的数据规模越来越大。如何从这些海量、非线性、高维和高噪声的时空数据中挖掘有价值的规律，进而指导各行各业应用，则需要科学有效的时空预测方法。
在交通流预测、气象预报、空气质量预测等领域，基于图神经网络的时空预测模型已取得不错成果，成为众多领域的主流方法。本文将基于交通流预测的应用，介绍基于图神经网络的时空预测。
什么是图结构
简单说，图神经网络是在图结构上的深度学习。所以，要了解图神经网络，就要先了解什么是图结构。
图结构一般由节点和边组成，是一种重要的数学模型，可以应用于许多领域的问题建模。以城市地铁线路为例，每个地铁站都是一个节点，相邻地铁站之间的连接就是边。输入起点和终点，我们可以计算出最佳换乘路线。
在搜索引擎中，可以把每一个网站的每个页面都视为图上的一个节点，页面间的链接视为图上的边。该页面被越多的其它页面引用，即其入边越多，则页面质量越高，搜索结果的排名也就越靠前。
图1 网页节点和链接构成的图结构（Klicpera J and Bojchevski A 2019）
图2 交通网络上的复杂结构
为什么需要图神经网络
近年来，以卷积神经网络为代表的深度学习技术的兴起，推动了模式识别和数据挖掘的研究。许多过去严重依赖人工特征提取的机器学习任务（如目标检测、机器翻译、语音识别等），已经被卷积神经网络（CNN）、长短时记忆（LSTM）和自动编码器等各种端到端的深度学习技术彻底改变，且都取得了不错的应用效果。
但另一方面，传统的深度学习方法在处理非欧几里德空间数据方面的表现仍然不尽如人意。例如，基于图的推荐系统可以利用用户和产品之间的交互作用来做出非常准确的推荐，但是图的复杂性使得传统的深度学习方法面临很大的挑战。一方面因为图是不规则的，每个节点在图中有不同数量的相邻节点，导致一些图上很容易计算的操作（如卷积）不适合直接在图中使用。另一方面，现有深度学习算法的核心假设是数据样本之间相互独立。然而，对于图结构来说，每个数据样本（节点）都有与图中其他数据样本（节点）相关的边。
近年来，对图的深度学习方法研究逐渐兴起，研究人员借鉴卷积网络、循环网络和深度自动编码器的思想，设计了一种面向图的神经网络结构 —— 图神经网络（GNN），将图神经网络应用到时空回归分析中的模型，可以称之为图时空回归。
图神经网络在交通流预测中的应用
基于人工智能的时空预测方法，将卷积神经网络（CNN）与循环神经网络（RNN）有机结合，用 CNN 模拟的空间相关性，以及 RNN 模拟时间序列的特征，两者结合可以建模复杂的时空关系。虽然传统的 CNN 可以有效提取数据的局部空间特征，但只能模拟标准的格网数据，而图神经网络可以直接在图结构上进行特征学习和预测。
基于图神经网络的时空预测方法，通过将时空数据图上的结点，直接在图结构上进行时空关系的模拟，在复杂的空间关系中，能取得比传统 CNN+RNN 方法更好的预测效果。
以交通流预测为例，道路网络中的不同路段的行驶车辆速度和拥挤程度，不单与空间位置相关，与道路网络上的交通临近度更相关。传统的 CNN 方法无法有效学习空间上非均匀的空间相关性，而交通网络这种复杂的结构，可以天然地抽象为一种具体的图结构（图 2）。因此，基于图神经网络的交通流预测，成为时空预测中的重要研究方向。
如图 3 所示，图神经网络将交通路网中的每个传感器视为图上的一个节点，传感器获取的不同时间车速信息视为图上的信号，结合 RNN 的序列对图上的信号进行建模，构建图时空信号的时空序列模型如图 3 所示：
图3 图信号的时空序列（Li Y, Yu R, et al 2018）
SuperMap GIS产品支持情况
SuperMap GIS产品支持图时空回归的时空预测。如图 4所示，该功能通过对图上信号进行双向扩散卷积建模，并通过RNN序列建模对时空序列信息进行建模。目前，SuperMap GIS产品中集成了图时空回归模型训练与模型推理功能。
图4 图神经网络模型架构图（Li Y, Yu R, et al 2018）
基于图时空回归功能，SuperMap的GeoAI技术和产品能够为智慧城市和智能交通管理提供实时科学的决策依据（图 5）。
智能交通是智慧城市平台中的一个重要应用，一个完整的智慧城市系统，需要整合整个城市的时空大数据，并对其进行全区域、近实时的分析、预测、管理和调度。SuperMap的GIS基础平台的时空数据管理能力，与GeoAI的图神经网络时空预测技术相结合，将会为智能交通系统提供全面的基础技术支撑 , 推动智慧城市地理智能应用的发展。
图5 基于图时空回归的交通流预测
参考文献：
[1]Klicpera J, Bojchevski A, GünnemannS (2019) Predict then propagate: Graph neural networks meet personalized PageRank. In:7th International Conference on Learning Representations, ICLR 2019
[2]Li Y, Yu R, Shahabi C, Liu Y (2018) Diffusion Convolutional
Recurrent Neural Network: Data-Driven Traffic Forecasting.In:
International Conference on Learning Representations (ICLR ’18). pp 1–16