Uma Abordagem Baseada em Rede Neural Gráfica (GNN) para Estimativa em Tempo Real da Velocidade do Tráfego em Cidades Inteligentes Sustentáveis

O planejamento de rotas eficazes e o monitoramento do tráfego de veículos são essenciais para a criação de cidades inteligentes sustentáveis. A previsão precisa de velocidade é um componente chave desses esforços, pois ajuda a aliviar a congestão do tráfego. Embora a proximidade física seja importante, a interconexão desses segmentos rodoviários é o que contribui significativamente para o aumento da congestão do tráfego. Essa interconexão representa um desafio significativo para aumentar a precisão da previsão. Para abordar isso, propomos uma nova abordagem baseada em Redes Neurais Gráficas Profundas (DGNNs), que representam a conectividade dos trechos rodoviários como um grafo usando Redes Neurais Gráficas (GNNs). Neste estudo, implementamos a abordagem proposta, chamada STGGAN, para estimativa de velocidade do tráfego em tempo real utilizando dois conjuntos de dados reais de tráfego: PeMSD4 e PeMSD8. Os resultados experimentais validam os valores de precisão da previsão de 96,67% e 98,75% para os conjuntos de dados PeMSD4 e PeMSD8, respectivamente. O cálculo do erro quadrático médio (MSE), erro quadrático médio da raiz (RMSE), erro absoluto médio (MAE) e erro percentual absoluto médio (MAPE) também mostra uma diminuição progressiva desses valores de erro com o aumento da contagem de iterações, demonstrando o sucesso da técnica sugerida. Para confirmar a viabilidade, confiabilidade e aplicabilidade da técnica STGGAN sugerida, também realizamos uma análise comparativa, incluindo várias abordagens baseadas em estatística, análise, aprendizado de máquina e aprendizado profundo. Nosso trabalho contribui significativamente para o campo da estimativa da velocidade do tráfego, considerando a estrutura e as características das redes rodoviárias por meio da implementação de DGNNs. A técnica proposta treina uma rede neural para prever com precisão o fluxo de tráfego usando dados de toda a rede rodoviária. Além disso, estendemos as DGNNs incorporando blocos de Rede de Atenção Gráfica com Portão (GGAN), permitindo a modificação da entrada e saída para grafos sequenciais. A precisão da previsão do modelo proposto com base em DGNNs é avaliada minuciosamente por meio de testes extensivos em conjuntos de dados do mundo real, fornecendo uma comparação abrangente com os modelos de última geração existentes para previsão de fluxo de tráfego.