基于時(shí)空圖神經(jīng)網(wǎng)絡(luò)的城市路網(wǎng)行程時(shí)間預(yù)測研究綜述

摘要：隨著城市化進(jìn)程的加速和交通網(wǎng)絡(luò)的不斷擴(kuò)展，城市交通管理面臨著日益復(fù)雜的挑戰(zhàn)。準(zhǔn)確的行程時(shí)間預(yù)測對于優(yōu)化交通管理、提升出行體驗(yàn)以及推動智慧城市發(fā)展具有重要意義。受復(fù)雜的城市網(wǎng)絡(luò)結(jié)構(gòu)、交通流量的動態(tài)變化以及外界因素的影響，城市路網(wǎng)行程時(shí)間表現(xiàn)為強(qiáng)時(shí)空依賴性和隨機(jī)性。時(shí)空圖神經(jīng)作為一種強(qiáng)大的時(shí)空建模工具，能夠有效地捕獲城市路網(wǎng)中復(fù)雜的時(shí)空關(guān)系。因此，基于時(shí)空圖神經(jīng)網(wǎng)絡(luò)構(gòu)建行程時(shí)間預(yù)測框架成為智慧交通領(lǐng)域的研究熱點(diǎn)之一。從基于時(shí)空圖神經(jīng)網(wǎng)絡(luò)行程時(shí)間預(yù)測框架的關(guān)鍵要素出發(fā)，即時(shí)空信息建模、預(yù)測任務(wù)選擇以及學(xué)習(xí)范式設(shè)計(jì)，介紹此類研究近三年的研究進(jìn)展。首先，對基于時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測研究從問題定義和基本框架進(jìn)行概述性描述。然后，根據(jù)關(guān)鍵要素中預(yù)測任務(wù)選擇數(shù)量的不同，將相關(guān)研究工作分為單任務(wù)和多任務(wù)行程時(shí)間預(yù)測方法兩類，并詳細(xì)介紹每一類預(yù)測方法獨(dú)有的特點(diǎn)以及代表性工作。最后，討論行程時(shí)間預(yù)測在時(shí)空高階相關(guān)性、隱式時(shí)空依賴關(guān)系以及可解釋性方面建模的難點(diǎn)，并展望其未來發(fā)展趨勢。

關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò)；時(shí)空圖序列；時(shí)空數(shù)據(jù)挖掘；行程時(shí)間預(yù)測

中圖分類號： TP391文獻(xiàn)標(biāo)識碼： ADOI：10.3969/j.issn.1007-791X.2025.02.001

0引言

城市路網(wǎng)行程時(shí)間預(yù)測是指在復(fù)雜的城市交通環(huán)境中，基于歷史數(shù)據(jù)構(gòu)建模型，對車輛在特定行程路線上的行駛時(shí)間進(jìn)行預(yù)測。作為智能交通系統(tǒng)的基礎(chǔ)核心任務(wù)之一，城市路網(wǎng)行程時(shí)間預(yù)測被廣泛應(yīng)用于個(gè)人出行規(guī)劃、交通管理、物流運(yùn)輸?shù)阮I(lǐng)域。例如，在個(gè)人出行規(guī)劃方面，用戶可以根據(jù)預(yù)測的行程時(shí)間選擇合適的行程路線，盡可能避開交通擁堵路段，從而在既定時(shí)間內(nèi)到達(dá)目的地，提升出行體驗(yàn)；在交通管理方面，管理者能夠提前預(yù)知路段或者交叉口未來的到達(dá)流量，采取相應(yīng)的疏堵措施，提高交通運(yùn)行效率；在物流運(yùn)輸方面，企業(yè)可以根據(jù)預(yù)測的貨物到達(dá)時(shí)間做好物流規(guī)劃和調(diào)度，確保貨物能夠妥善保存并及時(shí)送達(dá)目的地，提高客戶滿意度。可見，城市路網(wǎng)行程時(shí)間預(yù)測的質(zhì)量對提高整個(gè)交通系統(tǒng)的運(yùn)行效率至關(guān)重要。

城市路網(wǎng)行程時(shí)間受路網(wǎng)結(jié)構(gòu)、動態(tài)交通狀況、季節(jié)性變化、天氣條件以及突發(fā)事件等多種因素的影響，表現(xiàn)出顯著的時(shí)空依賴性和隨機(jī)性。這些特性使得在路網(wǎng)中實(shí)現(xiàn)準(zhǔn)確的行程時(shí)間預(yù)測具有挑戰(zhàn)性。其中，時(shí)空依賴性表現(xiàn)在行程時(shí)間與車輛所處的具體位置和時(shí)間段之間的密切關(guān)系。例如，在高峰時(shí)段，車輛行駛于交通流密集的主干道和擁堵的交叉路口時(shí)，行程時(shí)間通常會顯著延長；相反，在非高峰時(shí)段時(shí)，行程時(shí)間會顯著縮短。隨機(jī)性主要由各種不確定性因素（如突發(fā)事件[1]）引起，導(dǎo)致交通流的臨時(shí)波動，從而影響行程時(shí)間的變化。因此，構(gòu)建準(zhǔn)確的城市路網(wǎng)行程時(shí)間預(yù)測方法需要具備有效捕捉行程時(shí)間的時(shí)空依賴性和隨機(jī)性的能力。深度學(xué)習(xí)作為一種數(shù)據(jù)驅(qū)動的技術(shù)，通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型自動從海量數(shù)據(jù)中學(xué)習(xí)并提取特征，為滿足上述需求提供了有效的解決方案。與此同時(shí)，隨著移動互聯(lián)網(wǎng)和智能設(shè)備的普及，來自出租車（包括網(wǎng)約車）日常運(yùn)營的大量車輛行駛軌跡數(shù)據(jù)被收集，這些數(shù)據(jù)包含實(shí)時(shí)路況、平均車速以及路段耗時(shí)等信息，為基于深度學(xué)習(xí)的城市路網(wǎng)行程時(shí)間預(yù)測方法提供了豐富的數(shù)據(jù)基礎(chǔ)。因此，基于深度學(xué)習(xí)的城市路網(wǎng)行程時(shí)間預(yù)測方法已經(jīng)逐漸取代了傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)[2-4]、機(jī)器學(xué)習(xí)[5-10]等因人工設(shè)計(jì)特征無法充分捕捉時(shí)空數(shù)據(jù)復(fù)雜性的城市路網(wǎng)行程時(shí)間預(yù)測方法。

最初，基于深度學(xué)習(xí)的城市路網(wǎng)行程時(shí)間預(yù)測方法主要采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）及其變體，以及循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）及其變體串聯(lián)的建模形式（即CNN-RNN），以學(xué)習(xí)時(shí)空依賴性并實(shí)現(xiàn)行程時(shí)間預(yù)測[11-16]。此類方法通常將城市區(qū)域組織為柵格地圖。然而，實(shí)際的路網(wǎng)結(jié)構(gòu)呈現(xiàn)非歐幾里得特性，這就意味著二維網(wǎng)格結(jié)構(gòu)與真實(shí)路網(wǎng)之間的匹配度較低，從而限制了其對復(fù)雜道路網(wǎng)絡(luò)拓?fù)湎嚓P(guān)性的有效建模，進(jìn)而影響行程時(shí)間預(yù)測的準(zhǔn)確性。為充分考慮時(shí)空數(shù)據(jù)中的時(shí)空關(guān)聯(lián)性，一種結(jié)合圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network， GNN）[17]有效建模時(shí)空數(shù)據(jù)特征的時(shí)空圖神經(jīng)網(wǎng)絡(luò)（Spatio-Temporal Graph Neural Network， STGNN）[18]模型被提出。該模型可以有效地對天然具有圖結(jié)構(gòu)的城市路網(wǎng)進(jìn)行建模和預(yù)測，自然地適用于城市路網(wǎng)行程時(shí)間預(yù)測任務(wù)。自2020年以來，越來越多的研究者開始采用STGNN構(gòu)建城市路網(wǎng)行程時(shí)間預(yù)測框架。盡管已有學(xué)者對行程時(shí)間預(yù)測的研究進(jìn)行了綜述，但這些工作主要集中于梳理2020年之前基于統(tǒng)計(jì)學(xué)習(xí)、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)的行程時(shí)間預(yù)測方法[19-26]。目前，尚無文獻(xiàn)對基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測研究進(jìn)行系統(tǒng)性的總結(jié)與歸納。

本文對現(xiàn)有基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測的研究工作進(jìn)行了調(diào)研。發(fā)現(xiàn)其有效性主要取決于時(shí)空信息建模、預(yù)測任務(wù)選擇以及學(xué)習(xí)范式設(shè)計(jì)三個(gè)要素。其中，預(yù)測任務(wù)選擇是整個(gè)框架的核心驅(qū)動力，主導(dǎo)了時(shí)空信息建模和學(xué)習(xí)范式設(shè)計(jì)的實(shí)現(xiàn)方向和細(xì)節(jié)，以提升預(yù)測精度。根據(jù)預(yù)測任務(wù)選擇數(shù)量的不同，將相關(guān)研究工作分為單任務(wù)和多任務(wù)行程時(shí)間預(yù)測方法兩類，并在此基礎(chǔ)上結(jié)合各類方法的特性進(jìn)行細(xì)分，如圖1所示。每類方法因其獨(dú)特的特點(diǎn)，在設(shè)計(jì)預(yù)測框架時(shí)對上述三要素的側(cè)重亦有所差異。因此，在梳理每類預(yù)測方法的研究工作時(shí)，圍繞其特點(diǎn)分析上述三個(gè)要素的側(cè)重點(diǎn)進(jìn)行整理。此外，還介紹了基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測研究工作在交通管理、物流運(yùn)輸以及出行服務(wù)平臺等方面的應(yīng)用，并概述了進(jìn)一步探索的潛在研究方向。

1問題定義與基本框架

1.1問題定義

根據(jù)預(yù)測任務(wù)選擇數(shù)量的不同，基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測的研究工作分為單任務(wù)和多任務(wù)行程時(shí)間預(yù)測方法。

1） 單任務(wù)行程時(shí)間預(yù)測方法：是指僅預(yù)測給定出行路線的行程時(shí)間這一個(gè)具體任務(wù)。根據(jù)對行程路線預(yù)測粒度的不同，分為局部路段和全局路線行程時(shí)間預(yù)測方法，如式（1）所示：F（RtXt－w：t，G）→Tl=∑Li=1ti或Tg，（1）式中：Rt表示出發(fā)時(shí)間為t的出行路線；Xt-w：t表示道路網(wǎng)絡(luò)G上歷史窗口為w的時(shí)空特征；Tl表示通過局部路線行程時(shí)間預(yù)測方法得到出行路線中每條路段的行程時(shí)間ti累加后得到的行程時(shí)間；L表示給定出行路線中路段的數(shù)量；Tg表示通過全局路線行程時(shí)間預(yù)測方法直接得到的行程時(shí)間。

2） 多任務(wù)行程時(shí)間預(yù)測方法：是指同時(shí)采用局部路段和全局路線行程時(shí)間預(yù)測方法預(yù)測給定出行路線的行程時(shí)間。此外，為了保證預(yù)測質(zhì)量，還可以結(jié)合與行程時(shí)間相關(guān)的輔助預(yù)測任務(wù)。根據(jù)是否結(jié)合輔助預(yù)測任務(wù)，多任務(wù)行程時(shí)間預(yù)測方法分為同類多任務(wù)和跨類多任務(wù)行程時(shí)間預(yù)測方法，如式（2）～式（4）所示：F（RtXt－w：t，G）→Ts 或Tc，（2）

Ts =Tl和Tg，（3）

Tc =［（Tl或Tg）或（Tl和Tg）］和Itc，（4）式中：Rt、Xt-w：t和G表示的含義同式（1）；Ts表示通過同類多任務(wù)行程時(shí)間預(yù)測方法得到的行程時(shí)間，即同時(shí)進(jìn)行局部路段和全局路線行程時(shí)間預(yù)測任務(wù)，得到給定出行路線的行程時(shí)間；Tc表示通過跨類多任務(wù)行程時(shí)間預(yù)測方法得到的行程時(shí)間，即在行程時(shí)間預(yù)測任務(wù)的基礎(chǔ)上，還設(shè)置了交通流量、速度等與行程時(shí)間相關(guān)的預(yù)測任務(wù)；預(yù)測給定出行路線行程時(shí)間的同時(shí)還預(yù)測城市交通狀況的信息Itc。

1.2基本框架

基于STGNN構(gòu)建的城市路網(wǎng)行程時(shí)間預(yù)測研究可歸納為三個(gè)核心要素，因此此類框架主要包含三個(gè)核心模塊，如圖2所示。其中，時(shí)空信息建模模塊通過將城市路網(wǎng)抽象為時(shí)空圖結(jié)構(gòu)，基于STGNN對路網(wǎng)進(jìn)行建模，以有效捕捉其時(shí)空依賴性，并生成反映路網(wǎng)通行時(shí)間動態(tài)演化特征的時(shí)空特征表示。預(yù)測任務(wù)選擇模塊則用于執(zhí)行核心行程時(shí)間預(yù)測任務(wù)的同時(shí)，設(shè)計(jì)與行程時(shí)間相關(guān)的輔助任務(wù)（如交通流量、速度以及行程路線屬性預(yù)測等），以提高模型的泛化能力和預(yù)測精度。學(xué)習(xí)范式設(shè)計(jì)模塊定義模型的學(xué)習(xí)方式與策略，當(dāng)前主要采用監(jiān)督學(xué)習(xí)范式，部分研究者也探索了遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等新型學(xué)習(xí)范式，以進(jìn)一步增強(qiáng)模型對復(fù)雜時(shí)空依賴關(guān)系的捕捉能力。

2單任務(wù)行程時(shí)間預(yù)測方法

如圖3所示，圖中起終點(diǎn)所在的粗線段代表了城市路網(wǎng)中的一條出行路線。其中，被截?cái)嗟腟i即為路段，ti即為每條路段Si的行程時(shí)間，i∈{1，2，…，5}。出行路線的行程時(shí)間受多種因素的影響，包括每條路段的行駛時(shí)間、交通擁堵情況、整條行程路線的長度等。因此，預(yù)測出行路線的行程時(shí)間通常有兩種方法：一種是從局部的角度構(gòu)建預(yù)測模型，即對出行路線中的每一條路段進(jìn)行特征建模與學(xué)習(xí)，預(yù)測每一條路段的行程時(shí)間，并進(jìn)行累加得到出行路線的行程時(shí)間（即圖3中的Tl）；另一種方法是從全局的角度構(gòu)建模型，即對整條出行路線進(jìn)行特征建模與學(xué)習(xí)，預(yù)測整條出行路線的行程時(shí)間（即圖3中的Tg）。考慮到對出行路線預(yù)測粒度不同，可以將單任務(wù)行程時(shí)間預(yù)測方法分為局部路段和全局路線行程時(shí)間預(yù)測方法，如表1所示。

2.1局部路段行程時(shí)間預(yù)測方法

局部路段行程時(shí)間預(yù)測方法是一類專注于對路網(wǎng)中路段級別特征進(jìn)行建模以實(shí)現(xiàn)行程時(shí)間預(yù)測的方法。這類方法相較于學(xué)習(xí)范式的設(shè)計(jì)，更強(qiáng)調(diào)時(shí)空信息建模的有效性。通過深入分析路段屬性（如道路類型、限速）和交通狀態(tài)（如交通流量、速度），構(gòu)建反映路段間復(fù)雜時(shí)空交互關(guān)系的時(shí)空圖結(jié)構(gòu)，并基于STGNN捕捉該圖的時(shí)空依賴性特征，從而揭示路網(wǎng)通行時(shí)間的變化模式。在底層路網(wǎng)圖結(jié)構(gòu)構(gòu)建過程中，根據(jù)節(jié)點(diǎn)和邊類型的數(shù)量差異，可進(jìn)一步將此類方法細(xì)分為基于同構(gòu)時(shí)空圖和基于異構(gòu)時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測方法。

2.1.1基于同構(gòu)時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測方法在基于同構(gòu)時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測方法中，將城市路網(wǎng)建模為同構(gòu)圖，通過GNN學(xué)習(xí)空間相關(guān)性，利用時(shí)間序列模型學(xué)習(xí)時(shí)間依賴關(guān)系，將兩個(gè)模型結(jié)合捕獲時(shí)空依賴關(guān)系，實(shí)現(xiàn)更準(zhǔn)確的行程時(shí)間預(yù)測。文獻(xiàn)[27-29]將路網(wǎng)定義為以路段為節(jié)點(diǎn)，路段間鄰接關(guān)系為邊的同構(gòu)圖。根據(jù)文獻(xiàn)[30]，由于交叉口的交通管制、擁堵、停車造成了至少10%的行程時(shí)間延誤，這意味著交叉口的影響在路網(wǎng)建模時(shí)應(yīng)該受到重視。然而，以上工作主要是基于路網(wǎng)中路段及其特征定義的圖，忽略了對路段與交叉口關(guān)系的分析與建模。因此，相關(guān)研究[31-32]開始嘗試基于交叉口為節(jié)點(diǎn)，路段為邊構(gòu)建圖。

上述研究工作主要將路網(wǎng)構(gòu)建為同構(gòu)圖，采用圖神經(jīng)網(wǎng)絡(luò)模型和序列模型，著重分析并建模路網(wǎng)中單一類型實(shí)體間由實(shí)體屬性和交通運(yùn)行狀態(tài)建立的時(shí)空依賴關(guān)系，進(jìn)行行程時(shí)間預(yù)測。然而，現(xiàn)實(shí)路網(wǎng)通常由各種類型的道路、交叉口、環(huán)島等構(gòu)成，具有更多的連接方式，且不同連接方式隱含著不同的行程時(shí)間變化規(guī)律。因此，為了捕獲這種變化規(guī)律，相關(guān)研究在同構(gòu)圖的基礎(chǔ)上將路網(wǎng)定義為異構(gòu)圖進(jìn)行行程時(shí)間預(yù)測的研究。

2.1.2于異構(gòu)時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測方法在基于異構(gòu)時(shí)空圖神經(jīng)網(wǎng)絡(luò)的行程時(shí)間預(yù)測方法中，將城市路網(wǎng)建模為異構(gòu)圖，其中包含不同類型的節(jié)點(diǎn)或邊。通過GNN學(xué)習(xí)不同類型節(jié)點(diǎn)和邊之間的多樣化交互關(guān)系捕獲復(fù)雜空間相關(guān)性，并利用時(shí)間序列模型學(xué)習(xí)時(shí)間依賴關(guān)系，將兩個(gè)模型結(jié)合捕獲復(fù)雜的時(shí)空依賴關(guān)系，從而提高行程時(shí)間預(yù)測的準(zhǔn)確性。文獻(xiàn)[33]將路網(wǎng)定義為以路段為節(jié)點(diǎn)，以路段間直行、右轉(zhuǎn)或掉頭等不同類型的鄰接關(guān)系為邊的有向多關(guān)系圖。在此基礎(chǔ)上，文獻(xiàn)[34]為了捕獲每條路線的靜態(tài)上下文，還定義了路線鄰接圖，并收集歷史交通狀況作為其動態(tài)上下文，以反映空間鄰近性和時(shí)間周期性。

上述局部路段行程時(shí)間預(yù)測方法，可以提前預(yù)測出行路線中每條路段的行程時(shí)間，這使得這些方法在導(dǎo)航服務(wù)中被廣泛使用。盡管此類方法是有效的，但其固有缺點(diǎn)是在計(jì)算整條出行路線的行程時(shí)間時(shí)，局部誤差可能沿整條出行路線積累。因此，研究者們嘗試將整條出行路線作為研究對象，展開對行程時(shí)間預(yù)測問題的進(jìn)一步探究。

2.2全局路線行程時(shí)間預(yù)測方法

全局路線行程時(shí)間預(yù)測方法著重于建模整條出行路線的個(gè)性化特征，包括路線長度、途徑的路段數(shù)和交叉口數(shù)等，從而直接預(yù)測整條出行路線的行程時(shí)間。然而，由于全局路線涵蓋更廣泛的空間尺度，其預(yù)測過程易受到時(shí)空數(shù)據(jù)分布波動的顯著影響。鑒于此，相關(guān)研究在監(jiān)督學(xué)習(xí)范式的基礎(chǔ)上，進(jìn)一步探索了可以有效捕捉時(shí)空數(shù)據(jù)中復(fù)雜時(shí)空依賴性的新型學(xué)習(xí)策略。根據(jù)學(xué)習(xí)范式的不同，全局路線學(xué)習(xí)的行程時(shí)間預(yù)測方法可以分為基于監(jiān)督學(xué)習(xí)范式和基于其他學(xué)習(xí)范式的行程時(shí)間預(yù)測方法。

2.2.1基于監(jiān)督學(xué)習(xí)范式的行程時(shí)間預(yù)測方法

在基于監(jiān)督學(xué)習(xí)范式的行程時(shí)間預(yù)測方法中[35-40]，行程時(shí)間預(yù)測模型利用輸入的路網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)、歷史行程數(shù)據(jù)、交通狀態(tài)數(shù)據(jù)等預(yù)測行程時(shí)間的輸出值，并將其與實(shí)際的行程時(shí)間值進(jìn)行比較，進(jìn)而調(diào)整預(yù)測模型內(nèi)部參數(shù)以提升預(yù)測的準(zhǔn)確性。

在采用監(jiān)督學(xué)習(xí)范式的研究中，為了保證行程時(shí)間預(yù)測的準(zhǔn)確性和效率，研究者從不同角度進(jìn)行時(shí)空信息建模并優(yōu)化。然而，這些研究更多關(guān)注對期望出行時(shí)間的預(yù)測。在處理整條出行路線的行程時(shí)間預(yù)測問題時(shí)，監(jiān)督學(xué)習(xí)范式容易受到數(shù)據(jù)非常規(guī)變化規(guī)律的影響。因此，一些研究開始嘗試結(jié)合其他學(xué)習(xí)范式，以提高行程時(shí)間預(yù)測的準(zhǔn)確性和魯棒性。

2.2.2基于其他學(xué)習(xí)范式的行程時(shí)間預(yù)測方法

基于其他學(xué)習(xí)范式的行程時(shí)間預(yù)測方法中，通過結(jié)合新型學(xué)習(xí)策略，使得模型能夠更有效地處理無法通過監(jiān)督學(xué)習(xí)范式難以實(shí)現(xiàn)有效訓(xùn)練的情景。文獻(xiàn)[41]提出了一種結(jié)合遷移學(xué)習(xí)范式的行程時(shí)間估計(jì)框架，通過靈活遷移已學(xué)知識，顯著減輕了從零訓(xùn)練模型帶來的高計(jì)算開銷。文獻(xiàn)[42]提出了一種結(jié)合聯(lián)邦學(xué)習(xí)的行程時(shí)間估計(jì)框架。該框架在行程時(shí)間估計(jì)任務(wù)中給出了實(shí)際的隱私攻擊，并在客戶端上傳權(quán)重到服務(wù)器時(shí)應(yīng)用了差分隱私技術(shù)，進(jìn)一步保證隱私安全。

上述研究工作聚焦于單一任務(wù)的行程時(shí)間預(yù)測，即通過訓(xùn)練模型以最大化行程時(shí)間預(yù)測的準(zhǔn)確性為目標(biāo)，從而優(yōu)化模型在該任務(wù)上的表現(xiàn)。然而，由于模型過于專注特定任務(wù)的特征，可能會導(dǎo)致模型過度擬合該任務(wù)的特征，限制模型的泛化能力[43]。相比之下，多任務(wù)行程時(shí)間預(yù)測方法通過聯(lián)合訓(xùn)練多個(gè)與行程時(shí)間相關(guān)的任務(wù)，可以在任務(wù)之間實(shí)現(xiàn)知識共享，從而有助于提高模型的泛化能力。

3多任務(wù)行程時(shí)間預(yù)測

多任務(wù)行程時(shí)間預(yù)測方法旨在結(jié)合上述局部路段和全局路線兩種方法預(yù)測行程時(shí)間。此外，這類方法還可以同時(shí)考慮并學(xué)習(xí)與行程時(shí)間相關(guān)的輔助預(yù)測任務(wù)（例如，交通流量預(yù)測、交通速度預(yù)測等），即通過更全面地理解時(shí)空數(shù)據(jù)的關(guān)聯(lián)性，以提高行程時(shí)間預(yù)測的準(zhǔn)確性。因此，根據(jù)預(yù)測任務(wù)中是否結(jié)合預(yù)行程時(shí)間相關(guān)的輔助任務(wù)，可以將多任務(wù)行程時(shí)間預(yù)測方法分為同類多任務(wù)和跨類多任務(wù)行程時(shí)間預(yù)測方法，如表2所示。

3.1同類多任務(wù)行程時(shí)間預(yù)測

在同類多任務(wù)行程時(shí)間預(yù)測方法[44-47]同時(shí)將局部路段和全局路線行程時(shí)間預(yù)測作為預(yù)測任務(wù)。然而，在局部路段行程時(shí)間預(yù)測任務(wù)中，整條路線的行程時(shí)間是通過累加各路段的行程時(shí)間得到的，忽略了交叉口所花費(fèi)的時(shí)間。而在全局路線行程時(shí)間預(yù)測任務(wù)中，預(yù)測的行程時(shí)間卻隱含了交叉口的花費(fèi)時(shí)間。可見，這兩個(gè)任務(wù)在目標(biāo)函數(shù)中呈現(xiàn)出不平衡關(guān)系，從而對整體訓(xùn)練過程產(chǎn)生了負(fù)面影響。為應(yīng)對此問題，文獻(xiàn)[48-49]提出了一種改進(jìn)的多任務(wù)預(yù)測框架，即在局部預(yù)測任務(wù)中加入了對交叉口時(shí)間的預(yù)測，以更全面地捕捉行程時(shí)間的構(gòu)成因素，從而提升了模型的預(yù)測準(zhǔn)確性。

上述研究工作僅以行程時(shí)間預(yù)測任務(wù)作為訓(xùn)練的目標(biāo)函數(shù)，使得模型更傾向于有偏的預(yù)測行程時(shí)間。這樣可能會導(dǎo)致模型不關(guān)注其他與行程時(shí)間相關(guān)的影響因素，使得預(yù)測效果通常表現(xiàn)為次優(yōu)。因此，一些研究者在上述工作的基礎(chǔ)上，還結(jié)合了交通流量、速度等和行程時(shí)間相關(guān)的先驗(yàn)數(shù)據(jù)進(jìn)行跨類多任務(wù)預(yù)測，以提高預(yù)測方法的泛化能力和魯棒性。

3.2跨類多任務(wù)行程時(shí)間預(yù)測

跨類多任務(wù)行程時(shí)間預(yù)測是指預(yù)測任務(wù)中除了包括行程時(shí)間預(yù)測任務(wù)外，還結(jié)合了交通狀況、速度預(yù)測等與行程時(shí)間相關(guān)的輔助任務(wù)。文獻(xiàn)[50]將行程時(shí)間預(yù)測作為主要任務(wù)，交通流量預(yù)測、行程距離、途徑的路段數(shù)量以及軌跡作為輔助任務(wù)，提高模型的泛化性。文獻(xiàn)[51]設(shè)計(jì)了交通速度預(yù)測模型引入到行程時(shí)間預(yù)測任務(wù)中。文獻(xiàn)[52]將行程時(shí)間預(yù)測作為主要任務(wù)，行程距離預(yù)測作為輔助任務(wù)。以上研究工作中通過跨類多任務(wù)學(xué)習(xí)提高行程時(shí)間預(yù)測的泛化性能。然而，在實(shí)際的許多場景中，估計(jì)的可靠性也很重要，它影響著用戶的偏好。因此，文獻(xiàn)[53]提出了一種估計(jì)行程時(shí)間分布的跨類多任務(wù)框架，將行程時(shí)間分布和行程時(shí)間預(yù)測作為主要任務(wù)，擁堵狀態(tài)預(yù)測作為輔助任務(wù)，共同提升預(yù)測質(zhì)量。

通過與上述分類中研究工作的數(shù)量對比發(fā)現(xiàn)，跨類任務(wù)行程時(shí)間預(yù)測的研究工作明顯變少。通過分析，原因大致包括兩個(gè)方面：一是此類工作是上述工作的進(jìn)階，處在初期或者中期研究階段；二是隨著建模越來越復(fù)雜，預(yù)測任務(wù)從種類和數(shù)量上均增多，模型的復(fù)雜度已經(jīng)達(dá)到了瓶頸，難以在實(shí)際中應(yīng)用。

4應(yīng)用場景

本研究以預(yù)測任務(wù)為核心驅(qū)動力，對現(xiàn)有基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測研究進(jìn)行了總結(jié)。發(fā)現(xiàn)現(xiàn)有研究更多地采用多任務(wù)行程時(shí)間預(yù)測方法，甚至已經(jīng)發(fā)展到了跨類多任務(wù)行程時(shí)間預(yù)測方法，以增強(qiáng)預(yù)測的精確性和穩(wěn)健性。這種趨勢顯示出當(dāng)前研究不僅關(guān)注行程時(shí)間的預(yù)測，還兼顧了交通流量、交通狀況等關(guān)聯(lián)信息的建模與預(yù)測，從而有助于構(gòu)建通用的智能交通系統(tǒng)[54]，更好地服務(wù)于智慧城市建設(shè)。因此，城市路網(wǎng)行程時(shí)間預(yù)測作為交通運(yùn)輸和出行領(lǐng)域的基礎(chǔ)，具有更廣泛的應(yīng)用價(jià)值和前景[55]，在交通管理[45]、物流運(yùn)輸[56]和出行服務(wù)方面[57]表現(xiàn)尤為明顯。

4.1交通管理

隨著全球城市化的加速和人口增長，城市交通管理面臨諸多挑戰(zhàn)，如交通擁堵、事故頻發(fā)及環(huán)境污染等問題。這使得高效的城市交通管理成為全球各國亟待解決的重要難題。城市路網(wǎng)行程時(shí)間預(yù)測在交通管理方面具有以下重要應(yīng)用價(jià)值。

1） 優(yōu)化交通流量管理：通過高精度的行程時(shí)間預(yù)測，交通管理部門可以提前預(yù)知特定道路或交叉口的交通流量，從而制定適當(dāng)?shù)墓苤拼胧ㄈ缧盘枱襞鋾r(shí)調(diào)整、車流限制和分流等），緩解交通擁堵，從而降低交通事故發(fā)生的風(fēng)險(xiǎn)、減少尾氣排放造成的污染和肆意鳴笛帶來的噪聲污染等。

2） 規(guī)劃交通基礎(chǔ)設(shè)施：借助準(zhǔn)確的行程時(shí)間預(yù)測，城市規(guī)劃者可以深入了解交通需求和流量特征，從而合理規(guī)劃道路、橋梁、隧道以及交通樞紐等基礎(chǔ)設(shè)施建設(shè)，以支持不同時(shí)間段和特定路段的擁堵管理。

3） 優(yōu)化公共交通系統(tǒng)：精準(zhǔn)的行程時(shí)間預(yù)測，可以幫助公共交通管理部門有效評估公共交通線路的運(yùn)輸效率和通勤時(shí)間，從而更合理布局和優(yōu)化公共交通路線，提升公共交通系統(tǒng)的覆蓋范圍和服務(wù)質(zhì)量，滿足市民的出行需求。

4.2物流運(yùn)輸

城市物流運(yùn)輸是指將貨物從生產(chǎn)地點(diǎn)運(yùn)送到消費(fèi)者或者經(jīng)銷商的過程。隨著全球城市化進(jìn)程的加速，城市人口數(shù)量持續(xù)增長，對商品和服務(wù)的需求顯著增加。這一變化使得城市物流運(yùn)輸面臨日益復(fù)雜的交通狀況和更加密集的配送挑戰(zhàn)。在此背景下，城市路網(wǎng)行程時(shí)間預(yù)測在物流運(yùn)輸方面具有以下重要的應(yīng)用價(jià)值。

1） 精準(zhǔn)路線規(guī)劃：基于行程時(shí)間預(yù)測，物流企業(yè)可以優(yōu)化配送路線，以避開交通擁堵區(qū)域，從而降低配送所需的時(shí)間和成本。

2） 提高物流運(yùn)營效率：借助準(zhǔn)確的行程時(shí)間預(yù)測，物流公司可以合理安排配送計(jì)劃和時(shí)間窗口，減少滯留時(shí)間，從而增強(qiáng)客戶滿意度和企業(yè)競爭力。

3） 優(yōu)化資源配置：通過準(zhǔn)確的行程時(shí)間預(yù)測，物流公司可以提高車輛調(diào)度與人力資源規(guī)劃的效率，減少空駛和等待時(shí)間，從而增強(qiáng)物流運(yùn)營的經(jīng)濟(jì)效益。

4.3出行服務(wù)平臺

出行服務(wù)平臺是指通過互聯(lián)網(wǎng)提供出租車、網(wǎng)約車、公交車等多種交通工具的信息和預(yù)定功能的綜合性平臺。用戶可以隨時(shí)隨地通過移動設(shè)備獲取出行信息，這種便捷的服務(wù)模式廣受歡迎，并為城市交通的智慧化發(fā)展提供了有力支持。城市路網(wǎng)行程時(shí)間預(yù)測在出行服務(wù)平臺具有以下重要的應(yīng)用價(jià)值。

1） 提高用戶體驗(yàn)：準(zhǔn)確的行程時(shí)間預(yù)測能使用戶提前了解到從出發(fā)地到達(dá)目的地所需的時(shí)間，如圖4（a）所示，以避免等待和延誤，提高出行的舒適度和效率。

2） 提供實(shí)時(shí)建議：基于實(shí)時(shí)交通數(shù)據(jù)的行程時(shí)間預(yù)測能為用戶提供實(shí)時(shí)出行建議，比如智能導(dǎo)航，根據(jù)實(shí)時(shí)交通情況不斷調(diào)整路線，提供實(shí)時(shí)的路況預(yù)警和交通建議，如圖4（b）所示，以便用戶能夠更快更安全地到達(dá)目的地。

3） 智能調(diào)度服務(wù)：準(zhǔn)確的行程時(shí)間預(yù)測數(shù)據(jù)能讓出行服務(wù)平臺可以對車輛和司機(jī)進(jìn)行智能調(diào)度。該過程不僅減少用戶的等待時(shí)間，還能提升車輛的利用率，從而為平臺的可持續(xù)運(yùn)營提供重要支持。

5總結(jié)與研究展望

本文圍繞著基于STGNN搭建城市路網(wǎng)行程時(shí)間預(yù)測框架的三個(gè)核心要素，即時(shí)空信息建模、預(yù)測任務(wù)選擇和學(xué)習(xí)范式設(shè)計(jì)，對近三年的相關(guān)研究工作進(jìn)行了總結(jié)與歸納。首先，以預(yù)測任務(wù)選擇為切入點(diǎn)，根據(jù)預(yù)測任務(wù)選擇數(shù)量的不同將相關(guān)研究工作分為了單任務(wù)和多任務(wù)行程時(shí)間預(yù)測方法。在單任務(wù)行程時(shí)間預(yù)測方法中，根據(jù)對行程路線學(xué)習(xí)粒度的差異，進(jìn)一步分為了局部路段和全局路線行程時(shí)間預(yù)測方法。而在多任務(wù)行程時(shí)間預(yù)測方法中，則根據(jù)是否結(jié)合與行程時(shí)間相關(guān)的輔助任務(wù)，將其分為了同類多任務(wù)和跨類多任務(wù)行程時(shí)間預(yù)測方法。接著，分析了每種分類下研究工作的關(guān)鍵特性，并整理了它們對應(yīng)的核心要素。最后，討論了基于STGNN的城市路網(wǎng)行程時(shí)間預(yù)測的典型應(yīng)用場景。綜合研究結(jié)果表明，基于STGNN的方法顯著增強(qiáng)了對復(fù)雜路網(wǎng)結(jié)構(gòu)及其時(shí)空依賴性建模的能力，在準(zhǔn)確性和實(shí)用性方面取得了顯著進(jìn)展。然而，仍存在一些挑戰(zhàn)值得進(jìn)一步的研究與探索。

1） 基于異構(gòu)超圖神經(jīng)網(wǎng)絡(luò)的城市路網(wǎng)時(shí)空高階相關(guān)性建模

城市交通事件（如交通擁堵、事故和道路施工）在路網(wǎng)中的傳播模式對車輛行程時(shí)間具有顯著影響。例如，交通擁堵在路網(wǎng)中的擴(kuò)散通常呈現(xiàn)多路段和交叉口的同步連鎖效應(yīng)，這一特性難以用簡單圖結(jié)構(gòu)充分表達(dá)。超圖作為圖結(jié)構(gòu)的擴(kuò)展形式，允許通過超邊連接多個(gè)節(jié)點(diǎn)，使得在同一結(jié)構(gòu)中捕捉多維的節(jié)點(diǎn)間關(guān)系成為可能。尤其在異構(gòu)超圖中，通過引入不同類型的節(jié)點(diǎn)（如路段和交叉口），可以更細(xì)致地刻畫路網(wǎng)中多類型要素的互動關(guān)系。基于異構(gòu)超圖神經(jīng)網(wǎng)絡(luò)可以直接捕獲路段與交叉口間復(fù)雜的高階時(shí)空依賴關(guān)系，從而更真實(shí)地模擬交通事件在路網(wǎng)中的擴(kuò)散機(jī)制。這種建模方式有助于提高對路網(wǎng)結(jié)構(gòu)和動態(tài)交通狀況的建模精度和分析效率，從而提升行程時(shí)間預(yù)測的可靠性。

2） 融合圖結(jié)構(gòu)學(xué)習(xí)的隱式時(shí)空依賴關(guān)系建模

在交通系統(tǒng)中，受出行需求的隨機(jī)波動、交通信號控制的干擾、突發(fā)事件以及天氣條件等多重因素的影響，交通流量、速度和路況會發(fā)生動態(tài)變化，使得行程時(shí)間不僅存在顯式的時(shí)空依賴，還包含一定的隱式時(shí)空依賴關(guān)系。此外，實(shí)際路網(wǎng)的結(jié)構(gòu)不可避免地會出現(xiàn)特殊情況的約束或限制。例如，交通事件引起的路段或交叉口的臨時(shí)管制導(dǎo)致的空間結(jié)構(gòu)變化[58]。結(jié)合圖結(jié)構(gòu)學(xué)習(xí)方法研究行程時(shí)間預(yù)測問題，可以通過數(shù)據(jù)驅(qū)動的方法，自適應(yīng)地挖掘城市路網(wǎng)中的隱式時(shí)空依賴關(guān)系，從而提高行程時(shí)間預(yù)測模型在復(fù)雜交通條件下的泛化能力和魯棒性。

3） 增強(qiáng)復(fù)雜預(yù)測模型的可解釋性建模。在基于學(xué)習(xí)的行程時(shí)間預(yù)測問題中，可解釋性可以幫助理解模型的決策過程、結(jié)果的可靠性以及模型的潛在缺陷。因此，提高基于學(xué)習(xí)的行程時(shí)間預(yù)測模型的可解釋性是一個(gè)重要的研究問題。通過可視化學(xué)習(xí)模型的中間層權(quán)重矩陣[59-61]是一種基礎(chǔ)的方法，但該方法在高度復(fù)雜的大型數(shù)據(jù)集上的適用性較低。通過簡化模型結(jié)構(gòu)或減少特征維度，可以使模型更易于解釋。例如，使用簡化的線性模型（如線性回歸或嶺回歸）來替代復(fù)雜的深度學(xué)習(xí)模型，更直觀地解釋預(yù)測結(jié)果。使用小型、高效的模型來“蒸餾”出大型模型的預(yù)測能力，即通過將大型模型的預(yù)測結(jié)果作為目標(biāo)，使用較小模型進(jìn)行迭代訓(xùn)練來實(shí)現(xiàn)，從而更易于解釋其預(yù)測結(jié)果。

參考文獻(xiàn)

[1] ZHOU Z Y， WANG Y， XIE X K， et al. Foresee urban sparse traffic accidents： a spatiotemporal multi-granularity perspective[J]. IEEE Transactions on Knowledge and Data Engineering， 2020， 34（8）： 3786-3799.

[2] BILLINGS D， YANG J S. Application of the ARIMA models to urban roadway travel time prediction-a case study[C]∥ IEEE International Conference on Systems， Man and Cybernetics， Taipei， China， 2006： 2529-2534.

[3] GUIN A. Travel time prediction using a seasonal autoregressive integrated moving average time series model[C]∥ IEEE International Conference on Intelligent Transportation Systems， Toronto， Canada， 2006： 493-498.

[4] YANG J S. A study of travel time modeling via time series analysis[C]∥ IEEE International Conference on Control Applications， Toronto， Canada， 2005： 855-860.

[5] YU B， WANG H Z， SHAN W X， et al. Prediction of bus travel time using random forests based on near neighbors[J]. Computer-Aided Civil and Infrastructure Engineering， 2018， 33（4）： 333-350.

[6] BAJWA S I， CHUNG E， KUWAHARA M. Performance evaluation of an adaptive travel time prediction model[C]∥ IEEE International Conference on Intelligent Transportation Systems， Vienna， Austria， 2005： 1000-1005.

[7] HAMNER B. Predicting travel times with context-dependent random forests by modeling local and aggregate traffic flow[C]∥ IEEE International Conference on Data Mining Workshops， Sydney， Australia， 2010： 1357-1359.

[8] WU C H， HO J M， LEE D T. Travel-time prediction with support vector regression[J]. IEEE Transactions on Intelligent Transportation Systems， 2004， 5（4）： 276-281.

[9] LEE W C， SI W P， CHEN L J， et al. HTTP： a new framework for bus travel time prediction based on historical trajectories[C]∥ ACM International Conference on Advances in Geographic Information Systems， Redondo Beach， USA， 2012： 279-288.

[10] WANG Y L， ZHENG Y， XUE Y X. Travel time estimation of a path using sparse trajectories[C]∥ ACM Internation Conference on Knowledge Discovery and Data Mining， New York， USA， 2014： 25-34.

[11] DUAN Y， YISHENG L V， WANG F Y. Travel time prediction with LSTM neural network[C]∥ IEEE International Conference on Intelligent Transportation Systems， Rio de Janeiro， Brazil， 2016： 1053-1058.

[12] LI Y G， FU K， WANG Z， et al. Multi-task representation learning for travel time estimation[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， London， UK， 2018： 1695-1704.

[13] WANG D， ZHANG J B， CAO W， et al. When will you arrive？ estimating travel time based on deep neural networks[C]∥ AAAI International Conference on Artificial Intelligence， New Orleans， USA， 2018： 2500-2507.

[14] ZHANG H Y， WU H， SUN W W， et al. DEEPTRAVEL： a neural network based travel time estimation model with auxiliary supervision[C]∥ Morgan Kaufmann International Joint Conference on Artificial Intelligence， Stockholm， Sweden， 2018： 3655-3661.

[15] XU J， ZHANG Y， CHAO L， et al. STDR： a deep learning method for travel time estimation[C]∥ Springer International Conference on Database Systems for Advanced Application， Chiang Mai， Thailand， 2019： 156-172.

[16] LAN W W， XU Y Y， ZHAO B. Travel time estimation without road networks： an urban morphological layout representation approach[C]∥ Morgan Kaufmann International Joint Conference on Artificial Intelligence， Macao， China， 2019： 1772-1778.

[17] WU Z H， PAN S R， CHEN F W， et al. A comprehensive survey on graph neural networks[J]. IEEE Transactions on Neural Networks and Learning Systems， 2020， 32（1）： 4-24.

[18] JIN G Y， LIANG Y X， FANG Y C， et al. Spatio-temporal graph neural networks for predictive learning in urban computing： a survey[J]. IEEE Transactions on Knowledge and Data Engineering，2023，36（10）：5388-5408.

[19] ALTINKAYA M， ZONTUL M. Urban bus arrival time prediction： a review of computational models[J]. International Journal of Recent Technology and Engineering， 2013， 2（4）： 164-169.

[20] MORI U， MENDIBURU A， LVAREZ M， et al. A review of travel time estimation and forecasting for advanced traveller information systems[J]. Transportmetrica A： Transport Science， 2015， 11（2）： 119-157.

[21] CHOUDHARY R， KHAMPARIA A， GAHIER A K. Real time prediction of bus arrival time： a review[C]∥ IEEE International Conference on Next Generation Computing Technologies， Dehradun， India， 2016： 25-29.

[22] OH S， BYON Y J， JANG K， et al. Short-term travel-time prediction on highway： a review on model-based approach[J]. KSCE Journal of Civil Engineering， 2018， 22（1）： 298-310.

[23] REICH T， BUDKA M， ROBBINS D， et al. Survey of ETA prediction methods in public transport networks [EB/OL]. （2019-04-10）[2024-04-26]. https：∥arxiv.org/abs/1904.05037.

[24] CHIANG M L， LEE C F， LIN T Y， et al. Asurvey of bus arrival time prediction methods[C]∥ Springer International Conference on Security with Intelligent Computing and Big-data Services， Taipei， China， 2020： 197-206.

[25] 柏夢婷，林楊欣，馬萌，等. 行程時(shí)間預(yù)測方法研究[J]. 軟件學(xué)報(bào)， 2020， 31（12）： 3753-3771.

BAI M T， LIN Y X， MA M， et al. Survey of traffic travel-time prediction methods[J]. Journal of Software， 2020， 31（12）： 3753-3771.

[26] SINGH N， KUMAR K. A review of bus arrival time prediction using artificial intelligence[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2022， 12（4）： e1457.

[27] XU M， LIU H F. A flexible deep learning-aware framework for travel time prediction considering traffic event[J]. Engineering Applications of Artificial Intelligence， 2021， 106： 104491.

[28] FU K， MENG F L， YE J P， et al. CompactETA： a fast inference system for travel time prediction[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， Virtual Event， 2020： 3337-3345.

[29] YU J Q. Citywide estimation of travel time distributions with Bayesian deep graph learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2021， 35（3）： 2366-2378.

[30] TIRACHINI A. Estimation of travel time and the benefits of upgrading the fare payment technology in urban bus services[J]. Transportation Research Part C： Emerging Technologies， 2013， 30： 239-256.

[31] DAI R， XU S K， GU Q， et al. Hybrid spatio-temporal graph convolutional network： improving traffic prediction with navigation data[C]∥ ACM International Conference on Knowledge Discovery and Data Mining，2020： 3074-3082.

[32] SONG X Z， ZHANG C H， YU J Q. Learn travel time distribution with graph deep learning and generative adversarial network[C]∥ IEEE International Conference on Intelligent Transportation Systems， Indianapolis， USA， 2021： 1385-1390.

[33] HONG H T， LIN Y C， YANG X Q， et al. HetETA： heterogeneous information network embedding for estimating time of arrival[C]∥ ACM International Conference on Knowledge Discovery and Data Mining，2020： 2444-2454.

[34] YUAN H T， LI G L， BAO Z F. Route travel time estimation on a road network revisited： heterogeneity， proximity， periodicity and dynamicity[J]. Proceedings of the VLDB Endowment， 2022， 16（3）： 393-405.

[35] WANG Q， XU C， ZHANG W Q， et al. GraphTTE： travel time estimation based on attention-spatiotemporal graphs[J]. IEEE Signal Processing Letters， 2021， 28： 239-243.

[36] WANG D J， ZHU J C， YIN Y Q， et al. Dynamic travel time prediction with spatiotemporal features： using a GNN-based deep learning method[J]. Annals of Operations Research， 2023， 139： 1-21.

[37] MASHUROV V， CHOPURYAN V， PORVATOV V， et al. Gct-TTE： graph convolutional transformer for travel time estimation[J]. Journal of Big Data， 2024， 11（1）： 1-14.

[38] YE Y C， ZHU Y S， MARKOS C， et al. Cateta： a categorical approximate approach for estimating time of arrival[J]. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（12）： 24389-24400.

[39] KATAYAMA H， YASUDA S， FUSE T. Traffic density based travel-time prediction with GCN-LSTM[C]∥ IEEE International Conference on Intelligent Transportation Systems， Macao， China， 2022：2908-2913.

[40] WU L， TANG Y， ZHANG P， et al. Spatio-temporal heterogeneous graph neural networks for estimating time of travel[J]. Electronics， 2023， 12（6）： 1293.

[41] ELSIR A M T， KHALED A， SHEN Y M. HLGST： hybrid local-global spatio-temporal model for travel time estimation using siamese graph convolutional with triplet networks[J]. Expert Systems with Applications， 2023， 229： 120502.

[42] ZHANG Z W， WANG H J， FAN Z P， et al. Gof-tte： generative online federated learning framework for travel time estimation[J]. IEEE Internet of Things Journal， 2022， 9（23）： 24107-24121.

[43] ZHOU Z Y， HUANG Q H， YANG K， et al. Maintaining thestatus quo： capturing invariant relations for OOD spatiotemporal learning[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， Long Beach， USA， 2023：1-14.

[44] FANG X M， HUANG J Z， WANG F， et al. Constgat： contextual spatial-temporal graph attention network for travel time estimation at Baidu maps[C]∥ ACM International Conference on Knowledge Discovery and Data Mining，2020：2697-2705.

[45] HUANG J Z， HUANG Z J， FANG X M， et al. DuETA： traffic congestion propagation pattern modeling via efficient graph learning for ETA prediction at Baidu maps[C]∥ ACM International Conference on Information and Knowledge Management， Atlanta， USA， 2022： 3172-3181.

[46] SUN F Y， GAO R P， XING W W， et al. Deep fusion for travel time estimation based on road network topology[J]. IEEE Intelligent Systems， 2022， 37（3）： 98-107.

[47] JIN G Y， WANG M， ZHANG J L， et al. STGNN-TTE： travel time estimation via spatial-temporal graph neural network[J]. Future Generation Computer Systems， 2022， 126： 70-81.

[48] JIN G Y， YAN H， LI F X， et al. Spatio-temporal dual graph neural networks for travel time estimation[J]. ACM Transactions on Spatial Algorithms and Systems，2021， 10（3）：1-22.

[49] JIN G Y， YAN H， LI F X， et al. Dual graph convolution architecture search for travel time estimation[J]. ACM Transactions on Intelligent Systems and Technology， 2023， 14（4）： 1-23.

[50] ZHANG W， WANG Y， XIE X K， et al. Real-time travel time estimation with sparse reliable surveillance information[J]. Proceedings of the ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies， 2020， 4（1）： 1-23.

[51] ZOU G J， LAI Z L， MA C X， et al. When will we arrive：a novel multi-task spatio-temporal attention network based on individual preference for estimating travel time[J]. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（10）： 11438-11452.

[52] WAN F， LI L S， WANG K， et al. MTTPRE： a multi-scale spatial-temporal model for travel time prediction[C]∥ ACM International Conference on Advances in Geographic Information System， Seattle， USA， 2022： 1-10.

[53] ZHOU W Y， XIAO X L， GONG Y J， et al. Travel time distribution estimation by learning representations over temporal attributed graphs[J]. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（5）： 5069-5081.

[54] ZHU L， YU F R， WANG Y G， et al. Big data analytics in intelligent transportation systems： a survey[J]. IEEE Transactions on Intelligent Transportation Systems， 2018， 20（1）： 383-398.

[55] LIU H， JIANG W Z， LIU S， et al. Uncertainty-aware probabilistic travel time prediction for on-demand ride-hailing at DiDi[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， Long Beach， USA， 2023： 4516-4526.

[56] WEN H M， LIN Y F， WU L X， et al. A survey on service route and time prediction in instant delivery： taxonomy， progress， and prospects[J]. IEEE Transactions on Knowledge and Data Engineering， 2024：1-21.

[57] WANG Z， FU K， YE J P. Learning to estimate the travel time[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， London， UK， 2018： 858-866.

[58] ZHOU Z Y， WANG Y， XIE X K， et al. RiskOracle： a minute-level citywide traffic accident forecasting framework[C]∥ AAAI International Conference on Artificial Intelligence， New York， USA， 2020： 1258-1265.

[59] LIN S， XU Y Y， ZHAO S J， et al. TransETA： transformer networks for estimated time of arrival with local congestion representation[J]. Applied Intelligence， 2023， 53（24）： 30384-30399.

[60] LUDWIG C， PSOTTA J， BUCH A， et al. Traffic speed modelling to improve travel time estimation in openrouteservice[J]. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2023， 48： 109-116.

[61] FANG X M， HUANG J Z， WANG F， et al. SSML： self-supervised meta-learner for en route travel time estimation at Baidu maps[C]∥ ACM International Conference on Knowledge Discovery and Data Mining， 2021： 2840-2848.

Review on travel time prediction of urban road networkbased on spatial-temporal graph neural network

DONG Hui1， PAN Xiao2， GUO Jingfeng3， CHEN Xiao4， WANG Shuhai5

（1. School of Management， Shijiazhuang Tiedao University， Shijiazhuang， Hebei 050043， China; 2. School of Information Science and Technology， Shijiazhuang Tiedao University， Shijiazhuang， Hebei 050043， China; 3. School of Information Science and Engineering， Yanshan University， Qinhuangdao， Hebei 066004， China; 4. Hebei Key Laboratory of Ocean Dynamics， Resources and Environments， Qinhuangdao， Hebei 066004， China; 5. Department of Science and Technology， Shijiazhuang Tiedao University， Shijiazhuang， Hebei 050043， China）

Abstract： With urbanization accelerating and traffic networks continuously expanding， urban traffic management faces increasingly complex challenges. Accurate travel time prediction is essential for optimizing traffic management， enhancing travel experiences， and advancing smart city development. The travel time of urban road networks exhibits pronounced spatio-temporal dependence and randomness due to the complex network structure， dynamic traffic flow changes， and external factors. Spatio-temporal graph neural networks serve as powerful tools for modeling such complexities， effectively capturing intricate spatial-temporal relationships in urban road networks. Consequently， constructing a travel time prediction framework based on spatio-temporal graph neural networks has emerged as a key research focus in smart transportation. Starting from the key elements of the travel time prediction framework based on spatio-temporal graph neural network， specifically， spatiotemporal information modeling， prediction task selection， and learning paradigm design， the research progress of this type of research in the past three years is introduced. Firstly， the research in this area is summarized from the definition of the problem and the basic framework. Subsequently， based on the different number of prediction task selections in key elements， the related research is categorized into two groups： single-task and multi-task travel time prediction methods. This division is used to explore in detail the unique characteristics and representative works associated with each type of prediction method. Finally， the difficulties in modeling spatio-temporal high-order correlations， implicit spatio-temporal dependencies， and interpretability aspects of travel time prediction are discussed， along with future development trends.

Keywords： graph neural network; spatio-temporal graph sequence; spatial-temporal data mining; travel time prediction

收稿日期：2024-01-26責(zé)任編輯：王建青

基金項(xiàng)目：河北省自然科學(xué)基金資助項(xiàng)目（F2021210005，F(xiàn)2023407003，F(xiàn)2024210042）；河北省研究生創(chuàng)新基金項(xiàng)目（CXZZBS2022117）；河北省海洋動力過程與資源環(huán)境重點(diǎn)實(shí)驗(yàn)室開放課題（HBHY02）

作者簡介：董慧（1993-），女，河北唐山人，博士研究生，主要研究方向?yàn)闀r(shí)空數(shù)據(jù)挖掘和網(wǎng)絡(luò)表示學(xué)習(xí)；*通信作者：潘曉（1981-），女，河北邢臺人，博士，教授，博士生導(dǎo)師，主要研究方向?yàn)榇髷?shù)據(jù)分析與挖掘、人工智能技術(shù)及應(yīng)用，Email：smallpx@stdu.edu.cn。