INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks

📄 arXiv: 2508.00141v1 📥 PDF

作者: Mohit Gupta, Debjit Bhowmick, Rhys Newbury, Meead Saberi, Shirui Pan, Ben Beck

分类: cs.LG, cs.AI

发布日期: 2025-07-31

💡 一句话要点

提出INSPIRE-GNN，通过强化学习优化的图神经网络解决稀疏自行车网络预测问题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图神经网络 强化学习 传感器放置 自行车流量预测 智能交通 数据稀疏性 交通规划

📋 核心要点

  1. 现有自行车流量预测方法在数据稀疏场景下表现不佳，难以支撑城市交通规划。
  2. INSPIRE-GNN利用强化学习指导图神经网络，智能选择传感器位置，提升流量预测精度。
  3. 在墨尔本自行车网络上的实验表明，该方法优于传统启发式方法和标准机器学习模型。

📝 摘要（中文）

精确的链路级自行车流量估计对于可持续的城市交通规划至关重要。然而，许多城市由于自行车计数传感器覆盖范围有限，面临着严重的数据稀疏性挑战。为了解决这个问题，我们提出了INSPIRE-GNN，这是一个新颖的强化学习（RL）增强的混合图神经网络（GNN）框架，旨在优化传感器位置，并提高数据稀疏环境下的链路级自行车流量估计。INSPIRE-GNN集成了图卷积网络（GCN）和图注意力网络（GAT）与基于深度Q网络（DQN）的RL智能体，从而实现数据驱动的传感器位置战略选择，以最大化估计性能。应用于墨尔本的自行车网络（包含15933个路段，传感器仅覆盖141个路段，稀疏度为99%），INSPIRE-GNN通过在50、100、200和500个传感器的部署中战略性地选择额外的传感器位置，显著提高了流量估计。我们的框架在均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等关键指标上优于传统的传感器放置启发式方法，如介数中心性、接近中心性、观测到的自行车活动和随机放置。此外，我们的实验将INSPIRE-GNN与标准的机器学习和深度学习模型在自行车流量估计性能方面进行了基准测试，突出了其有效性。我们提出的框架为交通规划人员提供了可操作的见解，以有效地扩展传感器网络，优化传感器位置，并最大限度地提高自行车数据的流量估计准确性和可靠性，从而为明智的交通规划决策提供依据。

🔬 方法详解

问题定义：论文旨在解决自行车网络中由于传感器覆盖率低导致的数据稀疏问题，从而影响链路级自行车流量的准确估计。现有方法，如传统的统计模型和简单的机器学习模型，在数据稀疏的情况下表现不佳，无法提供可靠的流量估计，进而影响城市交通规划的决策。

核心思路：论文的核心思路是利用强化学习（RL）来指导传感器位置的优化选择，从而最大化图神经网络（GNN）的流量预测性能。通过智能地选择传感器位置，可以有效地补充稀疏数据，提高GNN模型的训练效果和预测精度。这种方法结合了RL的决策能力和GNN的图结构建模能力。

技术框架：INSPIRE-GNN框架包含以下主要模块：1) 图神经网络（GNN）模块，使用图卷积网络（GCN）和图注意力网络（GAT）来学习自行车网络的拓扑结构和流量模式。2) 强化学习（RL）模块，使用深度Q网络（DQN）作为智能体，根据GNN的预测性能来选择最佳的传感器位置。3) 奖励函数设计，奖励函数基于GNN的流量预测误差（例如，MSE、RMSE、MAE），用于指导DQN智能体的学习。整个流程是迭代进行的，DQN智能体选择新的传感器位置，GNN模型利用更新后的数据进行训练和预测，然后根据预测误差更新DQN智能体的策略。

关键创新：该论文的关键创新在于将强化学习与图神经网络相结合，用于解决传感器放置和流量预测问题。与传统的启发式传感器放置方法（如基于中心性的方法）相比，INSPIRE-GNN能够根据数据驱动的方式，动态地选择传感器位置，从而更好地适应网络的实际流量模式。此外，该框架能够同时优化传感器位置和流量预测模型，实现整体性能的提升。

关键设计：DQN智能体的状态空间包括当前已部署的传感器位置和网络的流量特征。动作空间是网络中所有可能的传感器位置。奖励函数被设计为GNN模型在验证集上的流量预测误差的负值，以鼓励DQN智能体选择能够降低预测误差的传感器位置。GCN和GAT模型的具体网络结构（例如，层数、隐藏单元数）以及DQN的超参数（例如，学习率、折扣因子）需要根据具体数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在墨尔本自行车网络上的实验结果表明，INSPIRE-GNN在不同传感器部署数量（50、100、200和500）下，均优于传统的启发式方法（如介数中心性、接近中心性、随机放置等）。例如，在部署50个传感器时，INSPIRE-GNN在RMSE指标上相比最佳的启发式方法降低了约10%-15%。此外，INSPIRE-GNN也优于标准的机器学习和深度学习模型，证明了其在自行车流量预测方面的有效性。

🎯 应用场景

该研究成果可应用于城市交通规划、自行车道网络优化、智能交通系统设计等领域。通过优化传感器部署，可以更准确地估计自行车流量，为政府和规划者提供数据支持，从而制定更合理的交通政策，改善城市交通状况，鼓励绿色出行。此外，该方法也可推广到其他类型的传感器网络优化问题，例如环境监测、水质监测等。

📄 摘要（原文）

Accurate link-level bicycling volume estimation is essential for sustainable urban transportation planning. However, many cities face significant challenges of high data sparsity due to limited bicycling count sensor coverage. To address this issue, we propose INSPIRE-GNN, a novel Reinforcement Learning (RL)-boosted hybrid Graph Neural Network (GNN) framework designed to optimize sensor placement and improve link-level bicycling volume estimation in data-sparse environments. INSPIRE-GNN integrates Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) with a Deep Q-Network (DQN)-based RL agent, enabling a data-driven strategic selection of sensor locations to maximize estimation performance. Applied to Melbourne's bicycling network, comprising 15,933 road segments with sensor coverage on only 141 road segments (99% sparsity) - INSPIRE-GNN demonstrates significant improvements in volume estimation by strategically selecting additional sensor locations in deployments of 50, 100, 200 and 500 sensors. Our framework outperforms traditional heuristic methods for sensor placement such as betweenness centrality, closeness centrality, observed bicycling activity and random placement, across key metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Furthermore, our experiments benchmark INSPIRE-GNN against standard machine learning and deep learning models in the bicycle volume estimation performance, underscoring its effectiveness. Our proposed framework provides transport planners actionable insights to effectively expand sensor networks, optimize sensor placement and maximize volume estimation accuracy and reliability of bicycling data for informed transportation planning decisions.