Page 428 - 《软件学报》2025年第4期

1834 软件学报 2025 年第 36 卷第 4 期

交通流量预测在实际场景中最常见的细分应用之一就是预测城市间两地的行程耗时 (ETA prediction). 百度
地图的 Fang 等人 [90] 设计了针对时空图的注意力机制与提取具体路况信息的上下文卷积机制学习并融合时空特
征. 滴滴的 Fu 等人 [91] 则对 ETA Prediction 中的常见方法进行了简化, 使得模型可以做到对到达时间的低误差实时
预测.
在预测交通事故方面, Zhou 等人 [92] 基于经典的 GNN-RNN 框架处理动态图用于事故预测, 并对交通信息进行
了更加细粒度地划分和特征提取. Wang 等人 [93] 提出了一个基于图自编码器的多任务框架提取动态图的节点特征
以用于预测交通事故的发生概率.
利用交通历史数据的前提是数据本身的完整性与准确性, 但在现实场景中收集到的数据由于传感器故障、网络
故障或数据存储故障等原因均存在一定程度的缺失, 因此交通数据补全工作也是智能交通系统的重要组成部分. 近
几年来, 诸多利用挖掘数据的时空分布特征以补全交通数据的方法被提出 [94−97] , 以 Shen 等人 [94] 提出图注意力循环
神经网络为例, 上述方法思路均为从时间和空间两个维度学习数据分布并综合考虑彼此影响以完成数据补全.

6.2 公共安全与卫生
时空图在公共安全与卫生中的应用包括社区犯罪率预测、传染病扩散预测与救护车调度等. 其中社区犯罪率
对能源系统的设计与调度至关重要. 近几年, Khodayar 等人
预测指根据城市中社区的历史犯罪数据预测未来不同社区的犯罪概率和种类, 以此指导警员的巡逻调度与未来治
安设施的建设. 以社区为节点建图并利用时空图神经网络提取犯罪模式特征是解决该预测问题的常见方式, Sun
等人 [98] 关注如何提高模型对空间特征的表达能力, 将图神经网络中的普通卷积核替换为基于社区特征的可训练
卷积核. Xia 等人 [99] 则提出时空序列超图网络以提取社区中具有时空特征的复杂犯罪模式特征.
传染病预测指根据城市感染人数的历史数据预测未来不同城市可能增加的感染人数. 与预测社区犯罪率类
似, 常见解决方法以城市为节点建立时空图并利用时空图神经网络提取不同城市感染人数增长趋势中的时空特
征. Panagopoulos 等人 [100] 基于 MPNN-LSTM 框架学习时空特征, 并在学习过程中引入元学习将相似地区的传播
特征进行迁移, 以提高在不同场景 (国家) 下训练的收敛速度.
救护车调度问题根据需求历史数据和市民活动信息预测城市中某些地区对救护车的需求概率. 基于该问题的
建图方式和学习机制需要能够解决事件时间分布的特殊性与历史数据的种类较多这两点因素对预测准确率造成
的影响. 其中, Jin 等人 [101] 将需求事件发生的地点与发车医院抽象为异质二部图, 并设计了相应的二部图卷积机制
来学习节点特征.

6.3 气候与环境
空气质量、湿度、风速等气象条件相关数据由分布在各地的监测设备收集得到, 经过处理分析的结果可以用
于未来空气质量和相关气象条件的预测工作. 监测站之间的关系蕴含了空间信息, 每个监测站根据时间推移也会
收集到蕴含时序信息的监测数据. Liang 等人 [102] 利用飞镖图表示监测站的地理位置, 并根据飞镖图的特点设计了
两种自注意力机制分别提取空气中的污染物指标历史数据的时间和空间特征, 最后利用变分自编码器预测未来时
间节点的空气质量. Chen 等人 [103] 基于图神经网络预测河流网络中不同河段中的水量和水质, 并在学习过程中加
入基于河段物理特征的元学习条件以增强方法在不同水文环境下的泛化能力.

6.4 能源系统
保障稳定的能源供应是现代城市发展与人类生活的基础. 随着城市化程度的提升, 对能源需求端的准确预测
[104] [105]
和 Karimi 等人 均基于时空图神经网络框架解决
能源需求预测问题. 其中 Khodayar 等人 [104] 利用图神经网络融合电力需求和生产历史数据寻找电力传输系统的关
键负载节点, Karimi 等人 [105] 则以不同电力设施的地理位置建模为图中节点并学习设置之间的关联特征用于下游
预测任务.

6.5 神经科学
理解大脑的运作方式有助于诊断和治疗脑部疾病, 在神经科学中图神经网络通常被用来对人脑进行建模. 图