1：摘要和引言
最近几年，深度学习在解决复杂问题已经取得较好的效果，并且利用多种深度学习技术的组合能够处理交通业务的很多问题，如处理时间、空间依赖关系。传统上，很多研究工作将交通网络建模为网格或者分段的结构化的形式，但是很多交通网络本质上是图的结构，非图结构建模会导致某些有用的空间信息的丢失。随着图神经网络 graph neural networks (GNNs)的提出和应用。交通领域中，构建基于图视角的深度学习框架也越来越多。本论文旨在对这些框架进行总结，提供一个全面、深入、细致、实用性强的综述。
文章的主要贡献如下：
- 系统且扼要地描述了现有的traffic problems和相应的research directions, challenges。
- 总结了针对时空预测类交通问题的一般性problem formulation，同时给出了从四种交通数据集(sensors datasets, GPS datasets, rail-hailing datasets, transaction datasets) 中构建图的具体指导。还进一步对图的关键元素-adjacency matrix的定义进行讨论。
- 将已有的图深度学习框架分解，总结其中常见的深度学习技术，包括 GNNs (SGCN/GGCN), RNNs (RNN/GRU/LSTM), TCN, Seq2Seq, GAN, gated/attention/residual mechanism。分析这些技术的理论，优缺点，在交通场景中的具体变种和应用。
- 具体阐述了交通场景中的共同挑战（时间依赖，空间依赖，时空联动，外部因素），并针对每种挑战，总结了多种基于深度学习的解决方案。
- 收集了一些公开的数据集，还有公开的代码，提出了未来的研究方向
2：相关工作
作者介绍了10篇交通综述论文，其中大部分是深度学习综述论文；另外，还介绍了5篇图神经网络的综述论文。作者还指出，这些综述基本没有提到图神经网络在智能交通中的应用，所以作者的工作属于首次。
问题、研究、方向和挑战
作者总结了介绍了交通领域中的五种场景问题，分别是
- 交通堵塞
- 出行需求
- 交通安全
- 交通监管
- 自动驾驶
并介绍了每种交通问题下的研究方向。同时，作者用图形总结阐述了每种研究方向的相关工作。
同事，作者总结了各种交通问题面临的一些挑战，并指出了其相关对应的深度学习技术：
3：数学表达和图表示
作者首先定义了论文中用到的数学符号将变量分为时间变量，空间变量，时空变量，比较细致和完整，并可以作为相关工作的符号定义的参考。
基于大部分调查的交通问题都属于时空问题，作者总结出一个一般性的问题建模框架，如下所示：
接着，作者阐述：大部分交通问题都属于时空问题，总结出一个一般性的问题建模框架，如下所示：
然后，作者针对传感器数据、GPS数据、rail-hailing 数据、路口数据，并且阐述如何针对这些数据集构建图，如何定义点，边，点的特征等，即图表示构建步骤。
此外，作者还总结了图的邻接矩阵的定义：在不同的交通应用中，针对不同的交通模式，可以定义各种邻接矩阵。
-
假设交通网络拓扑结构是固定的，可设计固定的邻接矩阵；很多研究者设计多种固定邻接矩阵来捕获交通图网中的节点关系，如：根据空间相似性、语义分割、交通连接性等。并且作者例举了常用的几种邻接矩阵：（1）连接矩阵：如果两个节点是连接的，就用1表示，否则就用0表示；（2）距离矩阵：根据预定义公式，用两个节点的空间距离来衡量节点相似性，常用的公式是采用高斯核函数进行度量： a i j = { exp ( − d i j 2 σ 2 ) , i ≠ j and d i j ≥ ϵ 0 , i = j or d i j < ϵ \mathbf{a}_{i j}=\left\{\begin{array}{l}\exp \left(-\frac{\mathbf{d}_{i j}^{2}}{\sigma^{2}}\right), i \neq j \text { and } \mathbf{d}_{i j} \geq \epsilon \\ 0, i=j \text { or } \mathbf{d}_{i j}<\epsilon\end{array}\right. aij={exp(−σ2dij2),i=j and dij≥ϵ0,i=j or dij<ϵ
-
假设交通网络是动态的，可设计动态的邻接矩阵。另外假设网络结构是多样的，可设计多个邻接矩阵。
4：图神经网络概要
作者将近三年（2018-2020）的基于图的深度学习框架进行分解，总结了五种经常出现的技术，分别是：
- 图神经网络GNNs
- 循环神经网络RNNs
- 时间卷积网络TCN
- 序列到序列模型seq2seq
- 生成对抗网络GAN
还有门机制/注意力机制/残差机制等。接着作者深入细致分析这些技术的核心公式，优缺点，还介绍了每种技术在交通中是如何应用的，列举了它们的变种公式，所解决的问题。
4.1：GNNs
针对最热点和最核心的图神经网络，作者主要介绍了它在交通领域最常见的两个分支，分别是SGCN（spectral graph convolution 谱域图卷积）, DGCN（ 扩散图卷积 diffusion graph convolution ），其中SGCN针对无向图，而DGCN有向图和无向图都可以，二者的目标都是通过非线性变换和特征聚合来生成特征表示。
作者对SGCN的关键工作进行梳理 ，分别是（1）Bruna/Shuman 2013 (2) Defferrard 2016 (3) Kipf 2016；
4.2：RNNs
作者比较了三种常见的时间序列模型（RNN,LSTM,GRU）的优缺点，阐述了它们在交通中的应用。
4.3：TCN
TCN是一个新兴的处理时间序列的网络，作者详细介绍了实现原理以及它在交通中的应用。
4.4：Seq2Seq
Seq2Seq能处理多步输出，作者介绍了Seq2Seq的无注意力和有注意力版本，并总结了交通工作中对encoder和decoder的设计。
4.5： GAN
最后作者介绍了GAN在交通中的应用。
5：工作总结和研究挑战
作者非常详细地介绍了交通领域所面临的一些挑战，以及针对这些挑战所提供的解决方案。作者主要总结了
- 时间依赖性
- 空间依赖性
- 时空依赖性
- 外部因素四种挑战。
针对时间依赖性，作者细分为（1）Multi-timescale，（2）Different Weights；
针对间依赖性，作者细分为 （1）Spatial Locality，(2) Multiple Relationships，(3) Global Connectivity 三种挑战。