基于通用语义知识注入的时空交通预测

# 面向时空交通预测的通用语义知识融合
来源：https://arxiv.org/html/2608.17440

## 面向时空交通预测的通用语义知识融合© 2026 IEEE。允许个人使用本材料。所有其他用途（包括出于广告或促销目的转载/再版本材料、创建集体作品、转售或向服务器或列表再分发，或在其他作品中重复使用本作品的任何受版权保护的组件）均须获得 IEEE 许可。

Mattis thor Straten¹, Yannick Wölker¹², Steffen Strohm¹, Prathvish Mithare³, Ralf Krestel¹³ and Matthias Renz¹
所属机构：¹德国基尔大学计算机科学系，{mts, ywoe, sts, mr}@cs.uni-kiel.de
²德国基尔亥姆霍兹海洋研究中心
³德国基尔 – 莱布尼茨信息经济研究中心，{p.mithare, r.krestel}@zbw.eu

###### 摘要

尽管图神经网络（GNNs）在时空交通预测方面取得了显著进展，但当其仅依赖传感器邻近性或道路网络拓扑结构时，其性能会受到限制。本文提出了一种旨在融入各种形式知识的时空预测框架。该框架旨在提升传感器层面对环境的上下文理解能力。我们使用通用知识图谱（如 Wikidata）在交通传感器周围创建语义子图，并生成知识图谱嵌入，以捕捉有意义的关系，例如附近的兴趣点、行政层级和位置的功能角色。然后，这些嵌入与传统的交通传感器图进行融合，提供由语义信息增强的额外邻接矩阵。这使得 GNN 能够学习超越物理连接性的语义上下文。本研究在两个关键方面不同于先前的研究。首先，它并未提出一种新颖的 GNN 架构，而是展示了外部知识对预测准确性的普遍影响。其次，使用成熟的交通预测方法进行的实验表明，外部信息提供了仅靠街道网络数据无法传达的额外信息。结果表明，通过数据融合整合来自通用知识图谱和传感器网络的数据，可以提高交通预测模型的预测准确性，并为提升模型可解释性提供了一条潜在途径。

###### 索引词：

跨域融合，知识归纳，时空预测，通用知识图谱

## I 引言

现代城市环境正日益配备密集的传感器基础设施，以监测移动性、基础设施和环境状况。然而，这些系统产生的数据往往分布在异源异构的数据源中。通常，针对城市动态（如交通预测）的预测分析仅专注于其中一个数据源。因此，知识注入——即将结构化的上下文知识整合到数据驱动的分析中——已成为一种有前景的方法 [31, 32]。跨越这些异源异构数据源的边界，是提升时空预测性能和可解释性的关键 [11]。交通预测尤其受益于语义上下文，因为车辆流动不仅由空间邻近性决定，还受到周边城市环境功能特性的显著影响 [29, 25, 18]。

虽然城市的道路网络是一个二维的、空间嵌入的结构，但影响交通的潜在因素本质上是多视角的（例如，土地利用模式、附近的兴趣点、行政层级或街道语义）。这种多方面的上下文可以通过知识图谱（KGs）来形式化表示 [12]，它提供了地点、实体和概念之间的结构化关系。然而，构建针对特定城市的领域专用知识图谱需要大量的人工努力和调整，这限制了其可扩展性，并导致在不同城市环境间的泛化能力较差 [28]。利用大规模的通用知识图谱（如 Wikidata）提供了一种实用且可迁移的替代方案，使得知识注入无需为每个地区专门定制或局限于单一用例。

在基于图神经网络的交通预测方法中，邻接矩阵是将外部知识注入预测机制的接口 [28, 34]。当前最先进的技术通常使用空间属性（如旅行时间或网络距离）来定义此邻接矩阵。本工作研究了由通用知识图谱构建的、具有语义内涵的邻接矩阵对现有预测方法的影响。与可能创建此类语义连接的基于大语言模型的系统相比 [9]，一个经过精心管理的通用知识图谱的优势在于其可解释性和稳定性。然而，本研究的目标是分离邻接矩阵对交通预测的影响，以便未来能够利用 AI 系统收集的知识进行归纳。具体而言，本工作贡献如下：

- •
- •对在成熟交通预测方法中，源自知识图谱的语义关系进行了系统研究。
- •进行了一项受控分析，使得性能提升能够归因于添加的语义上下文。

请参见标题图 1：方法概述：所考虑的交通数据集由交通网络中特定位置的历史交通流量测量值表示。这些测量值作为时空图神经网络的输入，用于预测未来的时段。基于特定位置（橙色），创建了两种上下文或视角的传感器连接方式。空间上下文是常用的方式，基于 OpenStreetMap 估算值表示网络距离。语义上下文则将传感器的位置与 Wikidata KG 连接，以提取周围语义，并使用 PyKEEN 库进行嵌入，以计算任意一对传感器之间的语义相似性。两种上下文都提供邻接矩阵，这些矩阵在时空图神经网络中被用于确定包含交通流量的节点嵌入的流动方式。

## II 相关工作

### II-A 基于图神经网络的交通预测

不考虑知识注入的交通预测问题，通常被描述为多变量时间序列预测任务 [17]。给定分布在交通网络中的一组传感器（如图 2 所示）及其历史测量值，目标是预测所有传感器的未来交通值。这些主要包含高速公路数据的交通网络结构不规则，因此使用图结构来处理空间分布是一个不错的选择 [10, 27, 14, 25, 18, 26]。图神经网络可以根据图的连接性来建模不规则结构传感器之间的方向性关系 [3]。因此，它们在交通预测中取得了显著的成功。

通常，在图神经网络中，每个交通传感器被建模为一个图节点，其中邻接矩阵决定了连通性和信息交换。早期基于图的方法依赖于固定的邻接矩阵，该矩阵通过阈值对传感器在道路网络中的距离进行编码，以稀疏化连接 [27, 14]。然而，该领域已朝着自适应邻接矩阵的方向发展，其权重在训练过程中可学习。GWaveNet [25] 发现，仅使用自适应邻接矩阵的性能与基于空间距离的邻接矩阵相似，这为近期文献转向自适应邻接矩阵的范式转变提供了依据。然而，使用自适应邻接矩阵的方法仍然将基于空间距离的邻接矩阵作为起点 [18] 或作为补充 [25, 28]。总体而言，邻接矩阵在一定程度上是可解释的。因此，它是连接预测任务上下文额外知识的有用接口。

### II-B 知识图谱嵌入

总体目标是将符号化的知识表示整合到预测性时空任务中。Breit 等人 [5] 指出，知识图谱（KGs）是通过其结构化语义丰富下游预测任务的核心资源。为了使知识图谱适用于此任务，知识图谱嵌入（KGE）提供了图谱中包含的实体和关系的数值表示。当前的研究综述强调，融合多种视角、确保可解释性和鲁棒性是许多知识图谱嵌入模型面临的挑战 [4]。已经开发了若干库和框架以支持可重现和可扩展的知识图谱嵌入研究 [2, 6, 30]。

除了经典的嵌入流程，图结构信息正成为现代检索增强生成（RAG）[7] 系统的组成部分。最近关于 GraphRAG [13, 16] 的工作展示了基于图的检索如何利用关系结构，而非仅仅依赖非结构化文本检索，来支持下游生成任务。这一研究方向凸显了知识图谱及其嵌入在提升基于大语言模型的系统推理和上下文理解能力方面日益增长的相关性 [17]。

### II-C 用于交通预测的知识图谱

基于神经网络技术的时空领域预测分析，从构造上讲不易解释 [1]。因此，注入机器可读且人类可理解的知识也是先前研究的主要目标。研究已表明，外部知识源有助于缓解数据稀疏性 [23] 和减少计算资源消耗 [24]。许多先前以此为目标的方法具有两个共同特征：手工设计的知识图谱 [8] 和新颖的预测架构。例如，张等人 [28] 设计了一个具有专用节点类型集（例如兴趣点（POIs）和街道）和特定任务关系类型的知识图谱。由于缺乏结合交通观测和更多空间信息的手工构建数据集，KR-STGNN [33] 和 KST-GCN [34] 框架仅在一个包含中国深圳数据的单一数据集上进行评估。该数据集包含一个月的天气数据和九种类型的 POI，这些被用于手动创建知识图谱。这限制了这些方法在不同城市的应用。

王等人 [22] 使用两个不同的交通数据集，通过向成熟的交通预测基线方法添加语义邻接矩阵（如交通结构矩阵、交通模式矩阵和区域功能矩阵），引入了知识注入。然而，他们的研究并未探讨提取过程如何泛化，或其对预测准确性的具体影响。

## III 方法

本工作通过融入目标区域内通用知识图谱的语义上下文来丰富交通预测。这是通过修改现有方法的邻接矩阵来实现的（见图 1）。所提出的方法利用知识图谱中在空间上接近交通传感器的地理参照实体，使用知识图谱嵌入（KGE）创建传感器的近似语义上下文。因此，两个传感器邻域之间的成对相似性可以作为语义邻接矩阵加以利用。

### III-A 空间关联的知识图谱

利用交通传感器的空间信息，通过识别预定义距离阈值内的知识图谱实体（代表空间相关的 POI，见图 1 中的“直接邻居”），来构建所选知识图谱的空间限定子图。这种基于距离的过滤定义了每个传感器在知识图谱中的上下文邻域，并确保生成的子图仅包含与传感器空间相关的实体。基于空间相关的 POI，创建了两个不同的子图（见图 1）：

1. 直接邻域。包含 POI 及其各自类型（例如，餐厅、购物中心），以及连接 POI 和类型的所有知识图谱属性（边）。这些属性包含 POI 之间的关系、类型向 POI 的分配以及分类学上的超/子类型关系，从而构建出所选知识图谱的一个导出子图。
2. 单跳邻域。在直接邻域子图基础上，添加了 POI 的单跳邻居以及子图中所有实体的类型。同样包含在所选知识图谱中建立任意两个实体间相互连接的所有属性，以构建所选知识图谱的一个导出子图。

收集到的知识图谱包含了关于可能与交通传感器相关的 POI 的不同语义信息。本工作使用 ComplEx 模型 [19] 进行知识图谱嵌入，该模型非常适合捕捉知识图谱中频繁出现的非对称关系。使用此知识图谱嵌入方法处理提取的子图，为每个知识图谱实体创建了一个数值的、复数值的表示。所有在空间上接近交通传感器的 POI 嵌入的平均聚合，代表了该传感器的语义嵌入向量，从而能够将语义知识图谱信息融入交通预测中。使用平均聚合可以得到一个固定大小、排列不变的表示，它独立于附近 POI 的绝对数量，并对异构的 POI 类型具有鲁棒性，同时为更富表达力的聚合方案（例如，基于权重或注意力的池化）留下了未来的工作空间。