A comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorDelgado, Myriam Regattieri de Biase da Silva-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-2791-174X-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4166922845507601-
Autor(es): dc.contributorLüders, Ricardo-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6483-4694-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5158617067991861-
Autor(es): dc.contributorFigueiredo, Flavio Vinicius Diniz de-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-2839-9589-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9481210393304645-
Autor(es): dc.contributorDelgado, Myriam Regattieri de Biase da Silva-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-2791-174X-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4166922845507601-
Autor(es): dc.contributorSilva, Thiago Henrique-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6994-8076-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9568338246493587-
Autor(es): dc.creatorCervi, Thales Elero-
Data de aceite: dc.date.accessioned2025-08-29T12:05:36Z-
Data de disponibilização: dc.date.available2025-08-29T12:05:36Z-
Data de envio: dc.date.issued2024-11-03-
Data de envio: dc.date.issued2024-11-03-
Data de envio: dc.date.issued2024-05-29-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/35329-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1088848-
Descrição: dc.descriptionUrban transit planning in densely populated areas is an urban design challenge that constantly requires effective solutions. Urban road networks can be represented by graphs, helping decision-makers visualize and further incorporate information learned from the cities’ structure. Graph Neural Networks (GNNs) are artificial neural networks designed to learn from graphs’ information and structure. However, important implicit assumptions of general-purpose GNNs do not hold for urban road network graphs and learning with this type of graph may require specialized GNNs. This study investigates the performance of both general-purpose and specialized GNNs to estimate free-flow travel times in urban road networks of twelve cities worldwide. Emphasis is given to Relational Fusion Networks (RFNs), specialized GNNs with competitive results in the literature. Edge regression results of the selected GNNs are obtained for comparison. They show that RFNs perform better and highlight the role of different fusion functions on the regression performance. Additionally, this study explores RFNs’ capacity to extrapolate learned knowledge to different cities. The investigation also searches through cities’ structural characteristics, aiming to comprehend their influence on RFN’s learning mechanisms and its capacity to extrapolate knowledge.-
Descrição: dc.descriptionConselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionO planeamento do trânsito urbano em áreas densamente povoadas é um desafio que constantemente requer soluções eficazes. Redes viárias urbanas podem ser representadas por grafos, ajudando agentes decisores a visualizar e incorporar informações extraídas da estrutura da cidade. Redes Neurais de Grafos (GNNs do inglês Graph Neural Networks) são redes neurais artificiais projetadas para aprender com as informações e estrutura dos Grafos.No entanto, suposições implícitas importantes que baseiam as GNNs de uso geral não se aplicam aos grafos de redes viárias e o aprendizado com esse tipo de grafo pode exigir GNNs especializadas. Este estudo investiga o desempenho de GNNs especializadas e de uso geral na estimativa de tempos de viagem de fluxo livre em redes viárias urbanas de doze cidades em todo o mundo. Há ênfase nas Redes Relacionais de Fusão (RFNs do inglês Relational Fusion Networks), que são GNNs especializadas e com resultados competitivos na literatura. Os resultados de desempenho das GNNs selecionadas para a tarefa de regressão em arestas são obtidos para comparação. Eles confirmam o melhor desempenho das RFNs e destacam o papel das diferentes funções de fusão no desempenho da regressão. Além disso, este estudo explora a capacidade das RFNs de extrapolar o conhecimento aprendido para diferentes cidades. A investigação analisa ainda as características estruturais das cidades, visando compreender influência destas nos mecanismos de aprendizagem da RFN e na sua capacidade de extrapolar conhecimento.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectTeoria dos grafos-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectTrânsito urbano-
Palavras-chave: dc.subjectCidades inteligentes-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectGraph theory-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectLocal transit-
Palavras-chave: dc.subjectSmart cities-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleA comparative analysis of graph neural networks for estimating free-flow travel times in urban road networks-
Título: dc.titleAnálise comparativa de redes neurais de grafos na estimação de tempo de percurso livre em redes de ruas urbanas-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.