解决时序图神经网络（TGNN）挑战 f

Source: Dev.to

场景

想象一下，你的任务是开发一个时序图神经网络，以预测城市道路网络在接下来一小时内的交通拥堵水平，输入为当前的实时交通数据、天气状况和时间。模型必须同时考虑空间和时间图结构，并且要能够处理诸如高峰时段、节庆活动和施工封路等周期性事件。

约束条件

• 图规模：1,000 个节点（交叉口），平均每个节点 200 条边，形成约 200,000 条边的稠密图。
• 时间分辨率：使用过去 24 小时的 1 分钟分辨率交通数据进行训练。
• 天气数据：必须加入实时的温度、湿度、风速和降水信息。
• 模型评估：采用平均绝对误差（MAE）、均方误差（MSE）和受试者工作特征曲线下面积（AUROC）相结合的方式。
• 计算限制：训练只能使用单块 NVIDIA Tesla V100 GPU（16 GB 显存），且最长训练时间为 4 小时。

目标

开发一个时序图神经网络，能够在给定实时交通数据和天气条件的情况下，准确预测道路网络中每个交叉口在未来一小时的交通拥堵水平。

提交要求

1. 代码库 – 使用 TensorFlow 或 PyTorch 编写的、文档齐全的 Python 项目。
2. 模型描述 – 对模型架构进行详细说明，突出任何新颖的图神经网络操作或技术。
3. 性能图 – 展示模型在评估集上的 MAE、MSE 和 AUROC 可视化结果。

评估标准

• 预测准确性 – 交通拥堵预测的质量。
• 可解释性 – 解释模型决策的能力。
• 计算效率 – 对给定硬件和训练时间的有效利用。

提交截止日期

2025 年 12 月 15 日。