 |
Д. В. Карсунова, С. В. Ерошенко, А. А. Любченко "Применение графовых нейронных сетей в задаче определения причин задержек поездов" |
 |
|
ннотация.
В работе предпринята попытка решения задачи предсказания потенциальных связей между инцидентами и задержками на основе графовой модели, в которой вершины представляют собой инциденты и задержки, а рёбра – принадлежность инцидента задержке. Модель основывается на архитектуре Graph Attention Network, позволяющей присваивать различный вес соседним узлам в процессе агрегации информации и тем самым выделять наиболее значимые зависимости в данных для выявления потенциальных связях в графе. Экспериментальная часть была выполнена на реальных эксплуатационных данных, зарегистрированных на отдельных участках железной дороги. Результаты сравнительной оценки показывают, что предложенная модель превосходит известные базовые модели по метрикам качества за счет более точного выявления структурных зависимостей между элементами графа.
Ключевые слова:
железнодорожный транспорт, инцидент, задержка поезда, машинное обучение, графовые нейронные сети, GAT.
DOI 10.14357/20718632260303
EDN XEOKPF
Стр. 28-37.
Литература
1. Эсаулов В. А. Методы совершенствования технологии пропуска грузовых поездов на грузонапряжённом направлении железной дороги: 2.9.4: автореф. дис. … канд. техн. наук. Хабаровск: ДнГУПС, 2022. С. 24 2. Yu B., Yin H., Zhu Z. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting // Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI), Stockholm, July 13–19, 2018. P. 3634-3640 3. Labonne M. Hands-On Graph Neural Networks Using Python: Practical techniques and architectures for building powerful graph and deep learning apps with PyTorch. Birmingham: Packt Publishing, 2023. 332 p. 4. Li J., Shomer H., Mao H., Zeng S., Ma Y., Shah N., Tang J., Yin D. Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking // arXiv. 2023. URL: https://arxiv.org/abs/2306.10453 (дата обращения: 07.12.2025) 5. Kipf T. N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // arXiv. 2016. URL: https://arxiv.org/abs/1609.02907 (дата обращения: 07.12.2025) 6. Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks // arXiv. 2017. URL: https://arxiv.org/abs/1710.10903 (дата обращения: 07.12.2025) 7. Brody S., Alon U., Yahav E. How Attentive are Graph Attention Networks? // arXiv. 2022. URL: https://arxiv.org/abs/2105.14491 (дата обращения: 07.12.2025) 8. Fey M., Lenssen J. E. Fast Graph Representation Learning with PyTorch Geometric // arXiv. 2019. URL: https://arxiv.org/abs/1903.02428 (дата обращения: 07.12.2025). 9. Chen J., He H., Wu F., Wang J. Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs // Proceedings of the AAAI Conference on Artificial Intelligence, Online, May 19-21, 2021. Vol. 35 No. 7. P. 6271-6278 10. PyTorch Geometric: официальная документация. URL: https://pytorch-geometric.readthedocs.io/ (дата обращения: 07.12.2025) 11. Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv. 2015. URL: https://arxiv.org/abs/1412.6980 (дата обращения: 07.12.2025)
|
