利用视觉记忆图神经网络（VM-GNN）增强基于代理的导航模拟，以评估交通枢纽性能

《ADVANCED ENGINEERING INFORMATICS》：Enhancing agent-based wayfinding simulation for transportation hub evaluation with a visual memory graph Neural network (VM-GNN)

　　

杨润宇|邹明岩|苏思伟|孙成宇

摘要

基于代理的模拟是评估大型交通枢纽中乘客寻路行为的重要工具，但这些模拟的准确性取决于其底层寻路模型的预测能力。传统方法（如离散选择模型）虽然具有可解释性，但通常依赖于无状态的逻辑。由于无法模拟人类寻路过程中固有的累积性、路径依赖的顺序体验，这些方法的预测准确性通常仅能达到70%至80%的范围。本研究提出了视觉记忆图神经网络（VM-GNN），这是一种深度学习框架，它将局部空间感知和标志识别的模块与感知-记忆融合结构相结合。该模型受到自然语言处理的启发，采用基于Transformer的编码器来合成代理轨迹的上下文感知信息，从而指导后续的导航决策。通过在虹桥火车站地铁站的虚拟副本中收集的3,097条人类轨迹数据进行训练，VM-GNN的预测准确率达到了91.0%。此外，当在浦东国际机场的有限数据集上进行微调后，该模型在新环境中的准确率提升到了78.9%，显示出初步的适应性。消融实验表明，记忆模块是影响预测性能的最关键组件，这突显了在陌生、非紧急和正常密度条件下，将路径依赖的时间依赖性整合到深度学习架构中对于寻路预测的有效性。