BikeVAE-GNN: A Variational Autoencoder-Augmented Hybrid Graph Neural Network for Sparse Bicycle Volume Estimation

📄 arXiv: 2507.19517v1 📥 PDF

作者: Mohit Gupta, Debjit Bhowmick, Ben Beck

分类: cs.LG, cs.AI

发布日期: 2025-07-18

备注: This paper has been accepted for publication in the Proceedings of the $28^{th}$ IEEE International Conference on Intelligent Transportation Systems (ITSC 2025). This is the author's version of the work

💡 一句话要点

提出BikeVAE-GNN，解决城市自行车网络中稀疏流量估计问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 图神经网络 变分自编码器 自行车流量估计 稀疏数据 城市交通 交通规划 双任务学习

📋 核心要点

  1. 城市自行车网络流量数据稀疏，现有方法难以准确估计自行车流量，阻碍了城市规划。
  2. 提出BikeVAE-GNN，利用VAE生成合成数据增强图结构，并结合混合GNN建模复杂空间关系。
  3. 在墨尔本数据集上，BikeVAE-GNN的MAE显著降低，准确率和F1分数均接近完美，效果显著。

📝 摘要（中文）

本文提出了一种名为BikeVAE-GNN的新型双任务框架，该框架通过变分自编码器(VAE)增强混合图神经网络(GNN)，用于估计平均每日自行车(ADB)流量，旨在解决城市自行车网络中数据极度稀疏的问题。该混合GNN结合了图卷积网络(GCN)、图注意力网络(GAT)和GraphSAGE，有效地建模了稀疏网络中复杂的空间关系，而VAE生成合成节点和边来丰富图结构并提高估计性能。BikeVAE-GNN同时执行回归任务（自行车流量估计）和分类任务（自行车交通等级分类）。在墨尔本市的OpenStreetMap数据和公开自行车计数数据上的实验表明，BikeVAE-GNN优于机器学习和基线GNN模型，平均绝对误差(MAE)为每天30.82辆自行车，准确率为99%，F1分数为0.99。消融研究进一步验证了混合GNN和VAE组件的有效作用。这项研究利用新颖和最先进的方法推进了稀疏网络中的自行车流量估计，为可持续自行车基础设施提供了见解。

🔬 方法详解

问题定义：论文旨在解决城市自行车网络中自行车流量数据极度稀疏的问题。现有的方法在处理这种稀疏数据时，难以准确估计各个路段的自行车流量，从而影响城市规划和交通管理。数据稀疏性导致传统的统计模型和机器学习方法性能下降，而简单的图神经网络难以捕捉复杂的空间依赖关系。

核心思路：论文的核心思路是利用变分自编码器（VAE）生成合成的节点和边，从而增强原始图结构，缓解数据稀疏性带来的问题。同时，采用混合图神经网络（Hybrid-GNN）来更有效地建模自行车网络中复杂的空间关系。通过VAE的数据增强和Hybrid-GNN的空间关系建模，可以提高自行车流量估计的准确性。

技术框架：BikeVAE-GNN框架包含两个主要组成部分：VAE和Hybrid-GNN。首先，VAE学习自行车网络的潜在表示，并生成合成的节点和边，以扩充原始图结构。然后，Hybrid-GNN利用扩充后的图结构进行自行车流量估计和交通等级分类。Hybrid-GNN结合了GCN、GAT和GraphSAGE三种不同的图神经网络，以捕捉不同类型的空间关系。整个框架是一个双任务学习模型，同时进行回归（流量估计）和分类（交通等级）。

关键创新：该论文的关键创新在于将VAE与混合GNN相结合，用于解决稀疏自行车网络中的流量估计问题。VAE用于生成合成数据，有效缓解了数据稀疏性，而混合GNN则能够更全面地捕捉网络中的空间关系。这种VAE增强的混合GNN方法是现有方法所不具备的。

关键设计：VAE采用标准的编码器-解码器结构，编码器将自行车网络的节点特征映射到潜在空间，解码器则从潜在空间重构节点特征和生成新的节点和边。Hybrid-GNN结合了GCN、GAT和GraphSAGE三种图神经网络，每种网络都侧重于捕捉不同类型的空间关系。损失函数是回归损失（例如MAE）和分类损失（例如交叉熵损失）的加权和，用于联合优化流量估计和交通等级分类。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，BikeVAE-GNN在墨尔本自行车数据集上取得了显著的性能提升。与基线模型相比，BikeVAE-GNN的平均绝对误差(MAE)降低至30.82辆/天，准确率达到99%，F1分数达到0.99。消融实验验证了VAE和Hybrid-GNN组件的有效性，证明了该方法的优越性。

🎯 应用场景

该研究成果可应用于城市交通规划、自行车基础设施建设和交通流量管理等领域。通过准确估计自行车流量，可以帮助城市规划者更好地设计自行车道网络，优化交通信号灯配时，并评估自行车基础设施的效益。此外，该模型还可以用于预测自行车流量变化趋势，为交通管理部门提供决策支持。

📄 摘要（原文）

Accurate link-level bicycle volume estimation is essential for informed urban and transport planning but it is challenged by extremely sparse count data in urban bicycling networks worldwide. We propose BikeVAE-GNN, a novel dual-task framework augmenting a Hybrid Graph Neural Network (GNN) with Variational Autoencoder (VAE) to estimate Average Daily Bicycle (ADB) counts, addressing sparse bicycle networks. The Hybrid-GNN combines Graph Convolutional Networks (GCN), Graph Attention Networks (GAT), and GraphSAGE to effectively model intricate spatial relationships in sparse networks while VAE generates synthetic nodes and edges to enrich the graph structure and enhance the estimation performance. BikeVAE-GNN simultaneously performs - regression for bicycling volume estimation and classification for bicycling traffic level categorization. We demonstrate the effectiveness of BikeVAE-GNN using OpenStreetMap data and publicly available bicycle count data within the City of Melbourne - where only 141 of 15,933 road segments have labeled counts (resulting in 99% count data sparsity). Our experiments show that BikeVAE-GNN outperforms machine learning and baseline GNN models, achieving a mean absolute error (MAE) of 30.82 bicycles per day, accuracy of 99% and F1-score of 0.99. Ablation studies further validate the effective role of Hybrid-GNN and VAE components. Our research advances bicycling volume estimation in sparse networks using novel and state-of-the-art approaches, providing insights for sustainable bicycling infrastructures.