Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35329
Título: A comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks
Título(s) alternativo(s): Análise comparativa de redes neurais de grafos na estimação de tempo de percurso livre em redes de ruas urbanas
Autor(es): Cervi, Thales Elero
Orientador(es): Delgado, Myriam Regattieri de Biase da Silva
Palavras-chave: Redes neurais (Computação)
Teoria dos grafos
Aprendizado do computador
Trânsito urbano
Cidades inteligentes
Neural networks (Computer science)
Graph theory
Machine learning
Local transit
Smart cities
Data do documento: 29-Mai-2024
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: CERVI, Thales Elero. A comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks. 2024. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024.
Resumo: O planeamento do trânsito urbano em áreas densamente povoadas é um desafio que constantemente requer soluções eficazes. Redes viárias urbanas podem ser representadas por grafos, ajudando agentes decisores a visualizar e incorporar informações extraídas da estrutura da cidade. Redes Neurais de Grafos (GNNs do inglês Graph Neural Networks) são redes neurais artificiais projetadas para aprender com as informações e estrutura dos Grafos.No entanto, suposições implícitas importantes que baseiam as GNNs de uso geral não se aplicam aos grafos de redes viárias e o aprendizado com esse tipo de grafo pode exigir GNNs especializadas. Este estudo investiga o desempenho de GNNs especializadas e de uso geral na estimativa de tempos de viagem de fluxo livre em redes viárias urbanas de doze cidades em todo o mundo. Há ênfase nas Redes Relacionais de Fusão (RFNs do inglês Relational Fusion Networks), que são GNNs especializadas e com resultados competitivos na literatura. Os resultados de desempenho das GNNs selecionadas para a tarefa de regressão em arestas são obtidos para comparação. Eles confirmam o melhor desempenho das RFNs e destacam o papel das diferentes funções de fusão no desempenho da regressão. Além disso, este estudo explora a capacidade das RFNs de extrapolar o conhecimento aprendido para diferentes cidades. A investigação analisa ainda as características estruturais das cidades, visando compreender influência destas nos mecanismos de aprendizagem da RFN e na sua capacidade de extrapolar conhecimento.
Abstract: Urban transit planning in densely populated areas is an urban design challenge that constantly requires effective solutions. Urban road networks can be represented by graphs, helping decision-makers visualize and further incorporate information learned from the cities’ structure. Graph Neural Networks (GNNs) are artificial neural networks designed to learn from graphs’ information and structure. However, important implicit assumptions of general-purpose GNNs do not hold for urban road network graphs and learning with this type of graph may require specialized GNNs. This study investigates the performance of both general-purpose and specialized GNNs to estimate free-flow travel times in urban road networks of twelve cities worldwide. Emphasis is given to Relational Fusion Networks (RFNs), specialized GNNs with competitive results in the literature. Edge regression results of the selected GNNs are obtained for comparison. They show that RFNs perform better and highlight the role of different fusion functions on the regression performance. Additionally, this study explores RFNs’ capacity to extrapolate learned knowledge to different cities. The investigation also searches through cities’ structural characteristics, aiming to comprehend their influence on RFN’s learning mechanisms and its capacity to extrapolate knowledge.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/35329
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
comparativeanalysisneuralnetworks.pdf35,43 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons