Predicting the supply and demand of transport systems is vital for efficient traffic management, control, optimization, and planning. For example, predicting where from/to and when people intend to travel by taxi can support fleet managers in distributing resources; better predictions of traffic speeds/congestion allows for pro-active control measures or for users to better choose their paths. Making spatio-temporal predictions is known to be a hard task, but recently Graph Neural Networks (GNNs) have been widely applied on non-Euclidean spatial data. However, most GNN models require a predefined graph, and so far, researchers rely on heuristics to generate this graph for the model to use. In this paper, we use Neural Relational Inference to learn the optimal graph for the model. Our approach has several advantages: 1) a Variational Auto Encoder structure allows for the graph to be dynamically determined by the data, potentially changing through time; 2) the encoder structure allows the use of external data in the generation of the graph; 3) it is possible to place Bayesian priors on the generated graphs to encode domain knowledge. We conduct experiments on two datasets, namely the NYC Yellow Taxi and the PEMS-BAY road traffic datasets. In both datasets, we outperform benchmarks and show performance comparable to state-of-the-art. Furthermore, we do an in-depth analysis of the learned graphs, providing insights on what kinds of connections GNNs use for spatio-temporal predictions in the transport domain and how these connections can help interpretability.

预测交通系统的供需对于高效的交通管理、控制、优化和规划至关重要。例如，预测人们打算乘坐出租车出行的地点和时间可以支持车队经理分配资源；更好地预测交通速度/拥堵可以采取主动控制措施或让用户更好地选择他们的路径。众所周知，进行时空预测是一项艰巨的任务，但最近图神经网络 (GNN) 已广泛应用于非欧几里得空间数据。然而，大多数 GNN 模型都需要一个预定义的图，到目前为止，研究人员依靠启发式方法生成该图供模型使用。在本文中，我们使用神经关系推理来学习模型的最佳图。我们的方法有几个优点：1）变分自动编码器结构允许图形由数据动态确定，可能随时间变化；2）编码器结构允许在图的生成中使用外部数据；3) 可以在生成的图上放置贝叶斯先验来编码领域知识。我们对两个数据集进行实验，即纽约黄色出租车和 PEMS-BAY 道路交通数据集。在这两个数据集中，我们的表现都优于基准测试，并显示出与最先进技术相当的性能。此外，我们对学习到的图进行了深入分析，提供了关于 GNN 在传输域中使用何种连接进行时空预测以及这些连接如何有助于解释性的见解。2）编码器结构允许在图的生成中使用外部数据；3) 可以在生成的图上放置贝叶斯先验来编码领域知识。我们对两个数据集进行实验，即纽约黄色出租车和 PEMS-BAY 道路交通数据集。在这两个数据集中，我们的表现都优于基准测试，并显示出与最先进技术相当的性能。此外，我们对学习到的图进行了深入分析，提供了关于 GNN 在传输域中使用何种连接进行时空预测以及这些连接如何有助于解释性的见解。2）编码器结构允许在图的生成中使用外部数据；3) 可以在生成的图上放置贝叶斯先验来编码领域知识。我们对两个数据集进行实验，即纽约黄色出租车和 PEMS-BAY 道路交通数据集。在这两个数据集中，我们的表现都优于基准测试，并显示出与最先进技术相当的性能。此外，我们对学习到的图进行了深入分析，提供了关于 GNN 在传输域中使用何种连接进行时空预测以及这些连接如何有助于解释性的见解。即纽约市黄色出租车和 PEMS-BAY 道路交通数据集。在这两个数据集中，我们的表现都优于基准测试，并显示出与最先进技术相当的性能。此外，我们对学习到的图进行了深入分析，提供了关于 GNN 在传输域中使用何种连接进行时空预测以及这些连接如何有助于解释性的见解。即纽约市黄色出租车和 PEMS-BAY 道路交通数据集。在这两个数据集中，我们的表现都优于基准测试，并显示出与最先进技术相当的性能。此外，我们对学习到的图进行了深入分析，提供了关于 GNN 在传输域中使用何种连接进行时空预测以及这些连接如何有助于解释性的见解。