在图神经网络模型中应用非网格空间划分，进行全市短期交通事故风险预测（Integrating a non-gridded space representation into a graph neural networks model for citywide short-term crash risk prediction)
Gabriel Jurado Martins de Oliveira,
Patricia Sauri Lavieri &
Andre Luiz Cunha
网格化空间是一种将地理空间划分为网格的方法，现有的图神经网络在城市范围内短期事故风险预测中的应用通常受到空间网格化表现的限制，限制了网络捕捉事故发生的时空依赖性的能力。此外，网格化表示与大多数用于行政目的的地理单元不匹配，限制了从业者对碰撞风险预测的使用。本文应用了一种门控局部扩散图神经网络（GLDNet）模型，比较了两种替代地理单元——网格块（Mesh Block，MB）和网格——在预测未来时间窗口内交通事故碰撞可能发生地点的效果。测试使用了来自澳大利亚墨尔本市的一年期碰撞数据，预测以六小时为间隔进行。结果显示GLDNet在预测准确性上始终优于基线方法，与历史平均值和基准深度学习模型相比，预测准确性差异在10%到21%之间。在地理单元方面，基于MB的GLDNet表现优于其网格对应物，预测准确性差异高达12.3%。更好的性能源于附加在MB单元上的基础信息（如土地利用）和网络属性（如中心度），这些因素增强了GLDNet在中心和边缘地区识别碰撞风险的能力。在适用性方面，基于MB的GLDNet可以直接与其他数据源集成，提供有关碰撞事故的背景信息，帮助决策者制定巡逻和救援策略。
引用
Jurado Martins de Oliveira, G., Lavieri, P. S., & Cunha, A. L. (2023). Integrating a non-gridded space representation into a graph neural networks model for citywide short-term crash risk prediction. Urban informatics, 2(1), 7.
https://doi.org/10.1007/s44212-023-00032-6
短期碰撞热点预测通常是基于历史数据来判断在未来的一段窗口期内特定地点碰撞事件发生的概率。这些预测的结果可以支撑城市层面的管理决策和个人层面的出行决定。随着过去几年大数据和深度学习方法的兴起，这些方法也被运用在城市时空事件预测中。然而，标准的深度学习方法仍然需要将空间关系表示为网格，带来了一些限制。图神经网络（GNN）作为深度学习的一种扩展，不受空间的网格表示的限制，而是基于网络的数据表示。先前研究在利用GNN模型进行短期碰撞热点预测中尚有欠缺。为了弥补这些缺陷，本文应用局部扩散图神经网络（GLDNet）模型来预测未来一段时间的窗口期内碰撞可能发生的热点，并比较了比较两种替代地理单位：网格块（Mesh Block，MB）和网格的差异。
图1，本文所提出的分析框架
分析的结果显示，使用GLDNet模型对短期碰撞热点的预测优于传统的方法。当比较两种模型的表现时，MB模型优于网格模型。作者发现，空间单元的选择会影响GLDNet的性能，例如，事故的空间稀疏性可能会影响GLDNet的预测性能，基于MB的模型的事故风险空间分布遍布整个墨尔本市，而基于网格的模型的事故风险空间主要集中在城市商业区（CBD）周围，这说明了基于网格的网络降低了GLDNet捕捉事故密度较低区域（CBD区域以外）事故风险的能力，而基于MB的模型更好地识别出了城市中心和周边区域的事故风险。
图2，基于两种地理单元的模型预测的任意一天的碰撞热点
总结与展望
总的来说，本研究提出的GLDNet提出了一种预测全市短期碰撞风险的新方法，为城市管理的决策提供了新的思路。对于未来研究和应用，作者提出了以下建议：1.即使从业者唯一可用的数据源是历史事故发生情况，采用考虑事故事件稀疏性的 GNN 建模框架（如本研究中使用的框架）也可以带来比传统方法更高的预测准确性。2.研究人员应该考虑到，在开发更复杂、更强大的 GNN 碰撞模型的同时，从任意网格转向更有意义的空间表示可能会影响短期碰撞风险模型的预测性能。3.如果使用 GNN 模型开发新的地理单元以特定目的进行碰撞风险预测（或类似稀疏事件的预测），则不仅应考虑研究区域的空间信息（即土地使用），还应考虑网络本身的属性（即网络密度和中心度）。
Gabriel Jurado Martins de Oliveira-The University of Melbourne, Melbourne, Australia
Patricia Sauri Lavieri-The University of Melbourne, Melbourne, Australia
Andre Luiz Cunha-University of Sao Paulo, Sao Carlos, Brazil
END
编辑：林天舒、梁泽欣
审核/指导：李丹丹
