基于時空圖神經網絡的城市路網行程時間預測研究綜述

摘要：隨著城市化進程的加速和交通網絡的不斷擴展，城市交通管理面臨著日益復雜的挑戰。準確的行程時間預測對于優化交通管理、提升出行體驗以及推動智慧城市發展具有重要意義。受復雜的城市網絡結構、交通流量的動態變化以及外界因素的影響，城市路網行程時間表現為強時空依賴性和隨機性。時空圖神經作為一種強大的時空建模工具，能夠有效地捕獲城市路網中復雜的時空關系。因此，基于時空圖神經網絡構建行程時間預測框架成為智慧交通領域的研究熱點之一。從基于時空圖神經網絡行程時間預測框架的關鍵要素出發，即時空信息建模、預測任務選擇以及學習范式設計，介紹此類研究近三年的研究進展。首先，對基于時空圖神經網絡的行程時間預測研究從問題定義和基本框架進行概述性描述。然后，根據關鍵要素中預測任務選擇數量的不同，將相關研究工作分為單任務和多任務行程時間預測方法兩類，并詳細介紹每一類預測方法獨有的特點以及代表性工作。最后，討論行程時間預測在時空高階相關性、隱式時空依賴關系以及可解釋性方面建模的難點，并展望其未來發展趨勢。

關鍵詞：圖神經網絡；時空圖序列；時空數據挖掘；行程時間預測

中圖分類號： TP391文獻標識碼： ADOI：10.3969/j.issn.1007-791X.2025.02.001

0引言

城市路網行程時間預測是指在復雜的城市交通環境中，基于歷史數據構建模型，對車輛在特定行程路線上的行駛時間進行預測。作為智能交通系統的基礎核心任務之一，城市路網行程時間預測被廣泛應用于個人出行規劃、交通管理、物流運輸等領域。例如，在個人出行規劃方面，用戶可以根據預測的行程時間選擇合適的行程路線，盡可能避開交通擁堵路段，從而在既定時間內到達目的地，提升出行體驗；在交通管理方面，管理者能夠提前預知路段或者交叉口未來的到達流量，采取相應的疏堵措施，提高交通運行效率；在物流運輸方面，企業可以根據預測的貨物到達時間做好物流規劃和調度，確保貨物能夠妥善保存并及時送達目的地，提高客戶滿意度。可見，城市路網行程時間預測的質量對提高整個交通系統的運行效率至關重要。

城市路網行程時間受路網結構、動態交通狀況、季節性變化、天氣條件以及突發事件等多種因素的影響，表現出顯著的時空依賴性和隨機性。這些特性使得在路網中實現準確的行程時間預測具有挑戰性。其中，時空依賴性表現在行程時間與車輛所處的具體位置和時間段之間的密切關系。例如，在高峰時段，車輛行駛于交通流密集的主干道和擁堵的交叉路口時，行程時間通常會顯著延長；相反，在非高峰時段時，行程時間會顯著縮短。隨機性主要由各種不確定性因素（如突發事件[1]）引起，導致交通流的臨時波動，從而影響行程時間的變化。因此，構建準確的城市路網行程時間預測方法需要具備有效捕捉行程時間的時空依賴性和隨機性的能力。深度學習作為一種數據驅動的技術，通過復雜的神經網絡模型自動從海量數據中學習并提取特征，為滿足上述需求提供了有效的解決方案。與此同時，隨著移動互聯網和智能設備的普及，來自出租車（包括網約車）日常運營的大量車輛行駛軌跡數據被收集，這些數據包含實時路況、平均車速以及路段耗時等信息，為基于深度學習的城市路網行程時間預測方法提供了豐富的數據基礎。因此，基于深度學習的城市路網行程時間預測方法已經逐漸取代了傳統的基于統計學習[2-4]、機器學習[5-10]等因人工設計特征無法充分捕捉時空數據復雜性的城市路網行程時間預測方法。

最初，基于深度學習的城市路網行程時間預測方法主要采用卷積神經網絡（Convolutional Neural Networks，CNN）及其變體，以及循環神經網絡（Recurrent Neural Networks，RNN）及其變體串聯的建模形式（即CNN-RNN），以學習時空依賴性并實現行程時間預測[11-16]。此類方法通常將城市區域組織為柵格地圖。然而，實際的路網結構呈現非歐幾里得特性，這就意味著二維網格結構與真實路網之間的匹配度較低，從而限制了其對復雜道路網絡拓撲相關性的有效建模，進而影響行程時間預測的準確性。為充分考慮時空數據中的時空關聯性，一種結合圖神經網絡（Graph Neural Network， GNN）[17]有效建模時空數據特征的時空圖神經網絡（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構的城市路網進行建模和預測，自然地適用于城市路網行程時間預測任務。自2020年以來，越來越多的研究者開始采用STGNN構建城市路網行程時間預測框架。盡管已有學者對行程時間預測的研究進行了綜述，但這些工作主要集中于梳理2020年之前基于統計學習、機器學習以及深度學習的行程時間預測方法[19-26]。目前，尚無文獻對基于STGNN的城市路網行程時間預測研究進行系統性的總結與歸納。

本文對現有基于STGNN的城市路網行程時間預測的研究工作進行了調研。發現其有效性主要取決于時空信息建模、預測任務選擇以及學習范式設計三個要素。其中，預測任務選擇是整個框架的核心驅動力，主導了時空信息建模和學習范式設計的實現方向和細節，以提升預測精度。根據預測任務選擇數量的不同，將相關研究工作分為單任務和多任務行程時間預測方法兩類，并在此基礎上結合各類方法的特性進行細分，如圖1所示。每類方法因其獨特的特點，在設計預測框架時對上述三要素的側重亦有所差異。因此，在梳理每類預測方法的研究工作時，圍繞其特點分析上述三個要素的側重點進行整理。此外，還介紹了基于STGNN的城市路網行程時間預測研究工作在交通管理、物流運輸以及出行服務平臺等方面的應用，并概述了進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

根據預測任務選擇數量的不同，基于STGNN的城市路網行程時間預測的研究工作分為單任務和多任務行程時間預測方法。

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

2） 多任務行程時間預測方法：是指同時采用局部路段和全局路線行程時間預測方法預測給定出行路線的行程時間。此外，為了保證預測質量，還可以結合與行程時間相關的輔助預測任務。根據是否結合輔助預測任務，多任務行程時間預測方法分為同類多任務和跨類多任務行程時間預測方法，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行程時間預測方法得到的行程時間，即同時進行局部路段和全局路線行程時間預測任務，得到給定出行路線的行程時間；Tc表示通過跨類多任務行程時間預測方法得到的行程時間，即在行程時間預測任務的基礎上，還設置了交通流量、速度等與行程時間相關的預測任務；預測給定出行路線行程時間的同時還預測城市交通狀況的信息Itc。

1.2基本框架

基于STGNN構建的城市路網行程時間預測研究可歸納為三個核心要素，因此此類框架主要包含三個核心模塊，如圖2所示。其中，時空信息建模模塊通過將城市路網抽象為時空圖結構，基于STGNN對路網進行建模，以有效捕捉其時空依賴性，并生成反映路網通行時間動態演化特征的時空特征表示。預測任務選擇模塊則用于執行核心行程時間預測任務的同時，設計與行程時間相關的輔助任務（如交通流量、速度以及行程路線屬性預測等），以提高模型的泛化能力和預測精度。學習范式設計模塊定義模型的學習方式與策略，當前主要采用監督學習范式，部分研究者也探索了遷移學習、聯邦學習等新型學習范式，以進一步增強模型對復雜時空依賴關系的捕捉能力。

2單任務行程時間預測方法

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

2.1局部路段行程時間預測方法

局部路段行程時間預測方法是一類專注于對路網中路段級別特征進行建模以實現行程時間預測的方法。這類方法相較于學習范式的設計，更強調時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（如交通流量、速度），構建反映路段間復雜時空交互關系的時空圖結構，并基于STGNN捕捉該圖的時空依賴性特征，從而揭示路網通行時間的變化模式。在底層路網圖結構構建過程中，根據節點和邊類型的數量差異，可進一步將此類方法細分為基于同構時空圖和基于異構時空圖神經網絡的行程時間預測方法。

2.1.1基于同構時空圖神經網絡的行程時間預測方法在基于同構時空圖神經網絡的行程時間預測方法中，將城市路網建模為同構圖，通過GNN學習空間相關性，利用時間序列模型學習時間依賴關系，將兩個模型結合捕獲時空依賴關系，實現更準確的行程時間預測。文獻[27-29]將路網定義為以路段為節點，路段間鄰接關系為邊的同構圖。根據文獻[30]，由于交叉口的交通管制、擁堵、停車造成了至少10%的行程時間延誤，這意味著交叉口的影響在路網建模時應該受到重視。然而，以上工作主要是基于路網中路段及其特征定義的圖，忽略了對路段與交叉口關系的分析與建模。因此，相關研究[31-32]開始嘗試基于交叉口為節點，路段為邊構建圖。

上述研究工作主要將路網構建為同構圖，采用圖神經網絡模型和序列模型，著重分析并建模路網中單一類型實體間由實體屬性和交通運行狀態建立的時空依賴關系，進行行程時間預測。然而，現實路網通常由各種類型的道路、交叉口、環島等構成，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間變化規律。因此，為了捕獲這種變化規律，相關研究在同構圖的基礎上將路網定義為異構圖進行行程時間預測的研究。

2.1.2于異構時空圖神經網絡的行程時間預測方法在基于異構時空圖神經網絡的行程時間預測方法中，將城市路網建模為異構圖，其中包含不同類型的節點或邊。通過GNN學習不同類型節點和邊之間的多樣化交互關系捕獲復雜空間相關性，并利用時間序列模型學習時間依賴關系，將兩個模型結合捕獲復雜的時空依賴關系，從而提高行程時間預測的準確性。文獻[33]將路網定義為以路段為節點，以路段間直行、右轉或掉頭等不同類型的鄰接關系為邊的有向多關系圖。在此基礎上，文獻[34]為了捕獲每條路線的靜態上下文，還定義了路線鄰接圖，并收集歷史交通狀況作為其動態上下文，以反映空間鄰近性和時間周期性。

上述局部路段行程時間預測方法，可以提前預測出行路線中每條路段的行程時間，這使得這些方法在導航服務中被廣泛使用。盡管此類方法是有效的，但其固有缺點是在計算整條出行路線的行程時間時，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，展開對行程時間預測問題的進一步探究。

2.2全局路線行程時間預測方法

全局路線行程時間預測方法著重于建模整條出行路線的個性化特征，包括路線長度、途徑的路段數和交叉口數等，從而直接預測整條出行路線的行程時間。然而，由于全局路線涵蓋更廣泛的空間尺度，其預測過程易受到時空數據分布波動的顯著影響。鑒于此，相關研究在監督學習范式的基礎上，進一步探索了可以有效捕捉時空數據中復雜時空依賴性的新型學習策略。根據學習范式的不同，全局路線學習的行程時間預測方法可以分為基于監督學習范式和基于其他學習范式的行程時間預測方法。

2.2.1基于監督學習范式的行程時間預測方法

在基于監督學習范式的行程時間預測方法中[35-40]，行程時間預測模型利用輸入的路網拓撲結構數據、歷史行程數據、交通狀態數據等預測行程時間的輸出值，并將其與實際的行程時間值進行比較，進而調整預測模型內部參數以提升預測的準確性。

在采用監督學習范式的研究中，為了保證行程時間預測的準確性和效率，研究者從不同角度進行時空信息建模并優化。然而，這些研究更多關注對期望出行時間的預測。在處理整條出行路線的行程時間預測問題時，監督學習范式容易受到數據非常規變化規律的影響。因此，一些研究開始嘗試結合其他學習范式，以提高行程時間預測的準確性和魯棒性。

2.2.2基于其他學習范式的行程時間預測方法

基于其他學習范式的行程時間預測方法中，通過結合新型學習策略，使得模型能夠更有效地處理無法通過監督學習范式難以實現有效訓練的情景。文獻[41]提出了一種結合遷移學習范式的行程時間估計框架，通過靈活遷移已學知識，顯著減輕了從零訓練模型帶來的高計算開銷。文獻[42]提出了一種結合聯邦學習的行程時間估計框架。該框架在行程時間估計任務中給出了實際的隱私攻擊，并在客戶端上傳權重到服務器時應用了差分隱私技術，進一步保證隱私安全。

上述研究工作聚焦于單一任務的行程時間預測，即通過訓練模型以最大化行程時間預測的準確性為目標，從而優化模型在該任務上的表現。然而，由于模型過于專注特定任務的特征，可能會導致模型過度擬合該任務的特征，限制模型的泛化能力[43]。相比之下，多任務行程時間預測方法通過聯合訓練多個與行程時間相關的任務，可以在任務之間實現知識共享，從而有助于提高模型的泛化能力。

3多任務行程時間預測

多任務行程時間預測方法旨在結合上述局部路段和全局路線兩種方法預測行程時間。此外，這類方法還可以同時考慮并學習與行程時間相關的輔助預測任務（例如，交通流量預測、交通速度預測等），即通過更全面地理解時空數據的關聯性，以提高行程時間預測的準確性。因此，根據預測任務中是否結合預行程時間相關的輔助任務，可以將多任務行程時間預測方法分為同類多任務和跨類多任務行程時間預測方法，如表2所示。

3.1同類多任務行程時間預測

在同類多任務行程時間預測方法[44-47]同時將局部路段和全局路線行程時間預測作為預測任務。然而，在局部路段行程時間預測任務中，整條路線的行程時間是通過累加各路段的行程時間得到的，忽略了交叉口所花費的時間。而在全局路線行程時間預測任務中，預測的行程時間卻隱含了交叉口的花費時間。可見，這兩個任務在目標函數中呈現出不平衡關系，從而對整體訓練過程產生了負面影響。為應對此問題，文獻[48-49]提出了一種改進的多任務預測框架，即在局部預測任務中加入了對交叉口時間的預測，以更全面地捕捉行程時間的構成因素，從而提升了模型的預測準確性。

上述研究工作僅以行程時間預測任務作為訓練的目標函數，使得模型更傾向于有偏的預測行程時間。這樣可能會導致模型不關注其他與行程時間相關的影響因素，使得預測效果通常表現為次優。因此，一些研究者在上述工作的基礎上，還結合了交通流量、速度等和行程時間相關的先驗數據進行跨類多任務預測，以提高預測方法的泛化能力和魯棒性。

3.2跨類多任務行程時間預測

跨類多任務行程時間預測是指預測任務中除了包括行程時間預測任務外，還結合了交通狀況、速度預測等與行程時間相關的輔助任務。文獻[50]將行程時間預測作為主要任務，交通流量預測、行程距離、途徑的路段數量以及軌跡作為輔助任務，提高模型的泛化性。文獻[51]設計了交通速度預測模型引入到行程時間預測任務中。文獻[52]將行程時間預測作為主要任務，行程距離預測作為輔助任務。以上研究工作中通過跨類多任務學習提高行程時間預測的泛化性能。然而，在實際的許多場景中，估計的可靠性也很重要，它影響著用戶的偏好。因此，文獻[53]提出了一種估計行程時間分布的跨類多任務框架，將行程時間分布和行程時間預測作為主要任務，擁堵狀態預測作為輔助任務，共同提升預測質量。

通過與上述分類中研究工作的數量對比發現，跨類任務行程時間預測的研究工作明顯變少。通過分析，原因大致包括兩個方面：一是此類工作是上述工作的進階，處在初期或者中期研究階段；二是隨著建模越來越復雜，預測任務從種類和數量上均增多，模型的復雜度已經達到了瓶頸，難以在實際中應用。

4應用場景

本研究以預測任務為核心驅動力，對現有基于STGNN的城市路網行程時間預測研究進行了總結。發現現有研究更多地采用多任務行程時間預測方法，甚至已經發展到了跨類多任務行程時間預測方法，以增強預測的精確性和穩健性。這種趨勢顯示出當前研究不僅關注行程時間的預測，還兼顧了交通流量、交通狀況等關聯信息的建模與預測，從而有助于構建通用的智能交通系統[54]，更好地服務于智慧城市建設。因此，城市路網行程時間預測作為交通運輸和出行領域的基礎，具有更廣泛的應用價值和前景[55]，在交通管理[45]、物流運輸[56]和出行服務方面[57]表現尤為明顯。

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，如交通擁堵、事故頻發及環境污染等問題。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。城市路網行程時間預測在交通管理方面具有以下重要應用價值。

1） 優化交通流量管理：通過高精度的行程時間預測，交通管理部門可以提前預知特定道路或交叉口的交通流量，從而制定適當的管制措施（如信號燈配時調整、車流限制和分流等），緩解交通擁堵，從而降低交通事故發生的風險、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） 規劃交通基礎設施：借助準確的行程時間預測，城市規劃者可以深入了解交通需求和流量特征，從而合理規劃道路、橋梁、隧道以及交通樞紐等基礎設施建設，以支持不同時間段和特定路段的擁堵管理。

3） 優化公共交通系統：精準的行程時間預測，可以幫助公共交通管理部門有效評估公共交通線路的運輸效率和通勤時間，從而更合理布局和優化公共交通路線，提升公共交通系統的覆蓋范圍和服務質量，滿足市民的出行需求。

4.2物流運輸

城市物流運輸是指將貨物從生產地點運送到消費者或者經銷商的過程。隨著全球城市化進程的加速，城市人口數量持續增長，對商品和服務的需求顯著增加。這一變化使得城市物流運輸面臨日益復雜的交通狀況和更加密集的配送挑戰。在此背景下，城市路網行程時間預測在物流運輸方面具有以下重要的應用價值。

1） 精準路線規劃：基于行程時間預測，物流企業可以優化配送路線，以避開交通擁堵區域，從而降低配送所需的時間和成本。

2） 提高物流運營效率：借助準確的行程時間預測，物流公司可以合理安排配送計劃和時間窗口，減少滯留時間，從而增強客戶滿意度和企業競爭力。

3） 優化資源配置：通過準確的行程時間預測，物流公司可以提高車輛調度與人力資源規劃的效率，減少空駛和等待時間，從而增強物流運營的經濟效益。

4.3出行服務平臺

出行服務平臺是指通過互聯網提供出租車、網約車、公交車等多種交通工具的信息和預定功能的綜合性平臺。用戶可以隨時隨地通過移動設備獲取出行信息，這種便捷的服務模式廣受歡迎，并為城市交通的智慧化發展提供了有力支持。城市路網行程時間預測在出行服務平臺具有以下重要的應用價值。

1） 提高用戶體驗：準確的行程時間預測能使用戶提前了解到從出發地到達目的地所需的時間，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） 提供實時建議：基于實時交通數據的行程時間預測能為用戶提供實時出行建議，比如智能導航，根據實時交通情況不斷調整路線，提供實時的路況預警和交通建議，如圖4（b）所示，以便用戶能夠更快更安全地到達目的地。

3） 智能調度服務：準確的行程時間預測數據能讓出行服務平臺可以對車輛和司機進行智能調度。該過程不僅減少用戶的等待時間，還能提升車輛的利用率，從而為平臺的可持續運營提供重要支持。

5總結與研究展望

本文圍繞著基于STGNN搭建城市路網行程時間預測框架的三個核心要素，即時空信息建模、預測任務選擇和學習范式設計，對近三年的相關研究工作進行了總結與歸納。首先，以預測任務選擇為切入點，根據預測任務選擇數量的不同將相關研究工作分為了單任務和多任務行程時間預測方法。在單任務行程時間預測方法中，根據對行程路線學習粒度的差異，進一步分為了局部路段和全局路線行程時間預測方法。而在多任務行程時間預測方法中，則根據是否結合與行程時間相關的輔助任務，將其分為了同類多任務和跨類多任務行程時間預測方法。接著，分析了每種分類下研究工作的關鍵特性，并整理了它們對應的核心要素。最后，討論了基于STGNN的城市路網行程時間預測的典型應用場景。綜合研究結果表明，基于STGNN的方法顯著增強了對復雜路網結構及其時空依賴性建模的能力，在準確性和實用性方面取得了顯著進展。然而，仍存在一些挑戰值得進一步的研究與探索。

1） 基于異構超圖神經網絡的城市路網時空高階相關性建模

城市交通事件（如交通擁堵、事故和道路施工）在路網中的傳播模式對車輛行程時間具有顯著影響。例如，交通擁堵在路網中的擴散通常呈現多路段和交叉口的同步連鎖效應，這一特性難以用簡單圖結構充分表達。超圖作為圖結構的擴展形式，允許通過超邊連接多個節點，使得在同一結構中捕捉多維的節點間關系成為可能。尤其在異構超圖中，通過引入不同類型的節點（如路段和交叉口），可以更細致地刻畫路網中多類型要素的互動關系。基于異構超圖神經網絡可以直接捕獲路段與交叉口間復雜的高階時空依賴關系，從而更真實地模擬交通事件在路網中的擴散機制。這種建模方式有助于提高對路網結構和動態交通狀況的建模精度和分析效率，從而提升行程時間預測的可靠性。

2） 融合圖結構學習的隱式時空依賴關系建模

在交通系統中，受出行需求的隨機波動、交通信號控制的干擾、突發事件以及天氣條件等多重因素的影響，交通流量、速度和路況會發生動態變化，使得行程時間不僅存在顯式的時空依賴，還包含一定的隱式時空依賴關系。此外，實際路網的結構不可避免地會出現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管制導致的空間結構變化[58]。結合圖結構學習方法研究行程時間預測問題，可以通過數據驅動的方法，自適應地挖掘城市路網中的隱式時空依賴關系，從而提高行程時間預測模型在復雜交通條件下的泛化能力和魯棒性。

3） 增強復雜預測模型的可解釋性建模。在基于學習的行程時間預測問題中，可解釋性可以幫助理解模型的決策過程、結果的可靠性以及模型的潛在缺陷。因此，提高基于學習的行程時間預測模型的可解釋性是一個重要的研究問題。通過可視化學習模型的中間層權重矩陣[59-61]是一種基礎的方法，但該方法在高度復雜的大型數據集上的適用性較低。通過簡化模型結構或減少特征維度，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）來替代復雜的深度學習模型，更直觀地解釋預測結果。使用小型、高效的模型來“蒸餾”出大型模型的預測能力，即通過將大型模型的預測結果作為目標，使用較小模型進行迭代訓練來實現，從而更易于解釋其預測結果。

參考文獻

[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. 行程時間預測方法研究[J]. 軟件學報， 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責任編輯：王建青

基金項目：河北省自然科學基金資助項目（F2021210005，F2023407003，F2024210042）；河北省研究生創新基金項目（CXZZBS2022117）；河北省海洋動力過程與資源環境重點實驗室開放課題（HBHY02）

作者簡介：董慧（1993-），女，河北唐山人，博士研究生，主要研究方向為時空數據挖掘和網絡表示學習；*通信作者：潘曉（1981-），女，河北邢臺人，博士，教授，博士生導師，主要研究方向為大數據分析與挖掘、人工智能技術及應用，Email：smallpx@stdu.edu.cn。