使用半监督的图卷积网络进行公共交通等待时间的估算

一个有效的交通系统对于支持现代智能城市的各种人类活动非常重要。各个车站的等待时间对整个交通系统的效率和人们的健康（如压力和焦虑）有很大影响。提前了解不同地点的等待时间可以帮助旅行者计划他们的行程。然而，这种等待时间可能取决于许多因素，如拥挤程度和相关旅客的集体旅行行为。一般来说，在每个地点收集所有需要的数据是非常昂贵的。本文提出了一种深度学习方法，用于确定基于一些代理数据和一些车站有限的历史等待时间数据的公共交通车站的等待时间水平。我们将公共交通网络表述为一个图，并开发了一个基于图卷积网络的半监督分类模型，该模型可以在有限的标记数据下直接操作图结构的数据。我们用真实的数据对香港的大众运输铁路进行了实验，我们提出的方法可以达到89%的等待时间级别的分类精度。