Graph neural networks for traffic flow prediction: innovative approaches, practical usage, and superiority in spatio-temporal forecasting

Abstract

Traffic flow prediction remains a cornerstone of intelligent transportation systems (ITS), facilitating congestion mitigation, route optimization, and sustainable urban planning. Graph Neural Networks (GNNs) have revolutionized this domain by adeptly modeling the intricate graph-structured nature of traffic networks, where nodes represent sensors or intersections and edges denote spatial relationships. Recent years (2023–2025) have witnessed a surge in scientific innovation, with several novel approaches pushing the boundaries of traffic prediction accuracy and robustness. Notably, hybrid GNN-Transformer architectures have emerged, leveraging the spatial reasoning of GNNs and the temporal sequence modeling power of Transformers to capture long-range dependencies and complex spatiotemporal patterns. Physics-informed GNNs integrate domain knowledge, such as conservation laws and traffic flow theory, directly into the learning process, enhancing interpretability and generalization to unseen scenarios. Uncertainty-aware frameworks, including Bayesian GNNs and ensemble methods, provide probabilistic forecasts, crucial for risk-sensitive applications and adaptive traffic management in volatile urban environments. This article provides a comprehensive guide to implementing GNNs for traffic flow prediction, detailing best practices in data preparation (e.g., graph construction, feature engineering, handling missing data), model training (e.g., loss functions, regularization, hyperparameter tuning), and real-time deployment (e.g., edge computing, latency optimization). We critically compare GNNs to traditional statistical and deep learning methods, highlighting their superior ability to capture non-Euclidean spatial dependencies, adapt to dynamic and evolving network topologies, and seamlessly integrate multi-modal data sources such as weather, events, and sensor readings. Empirical evidence from widely used benchmarks, including PeMS and METR-LA, demonstrates that state-of-the-art GNN models achieve up to 15–20 % improvements in accuracy metrics such as Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) over conventional baselines. Прогнозування транспортних потоків залишається наріжним каменем інтелектуальних транспортних систем (ITS), сприяючи зменшенню заторів, оптимізації маршрутів і сталому міському плануванню. Графові нейронні мережі (GNN) здійснили революцію в цій галузі, моделюючи складну графову структуру транспортних мереж, де вузли представляють датчики або перехрестя, а ребра – просторові зв’язки. Особливо виділяються гібридні архітектури GNN-Transformer, які поєднують просторове моделювання GNN із потужністю Transformer для обробки часових послідовностей, що дозволяє захоплювати далекі залежності та складні просторово-часові патерни. Фізично-обґрунтовані GNN інтегрують доменні знання, такі як закони збереження та теорія транспортних потоків, безпосередньо в процес навчання, підвищуючи інтерпретованість і здатність до узагальнення на нові сценарії. Фреймворки з урахуванням невизначеності, включаючи байєсівські GNN та ансамблеві методи, забезпечують ймовірнісні прогнози, що є критично важливим для застосувань, чутливих до ризиків, і адаптивного управління трафіком у мінливих міських середовищах. Ця стаття є комплексним дослідженням із впровадження GNN для прогнозування транспортних потоків, детально описуючи найкращі практики підготовки даних (наприклад, побудова графів, інженерія ознак, обробка пропущених даних), навчання моделей (наприклад, функції втрат, регуляризація, налаштування гіперпараметрів) і розгортання в реальному часі (наприклад, edge computing, оптимізація затримок). Критично проаналізовано можливості GNN порівняно з традиційними статистичними та глибокими нейронними мережами, підкреслюючи їхню перевагу у виявленні неевклідових просторових залежностей, адаптації до динамічних і змінних топологій мережі та безшовній інтеграції мультимодальних джерел даних, таких як погода, події та показники датчиків. Емпіричні дані з широко використовуваних бенчмарків, зокрема PeMS і METR-LA, демонструють, що сучасні моделі GNN досягають до 15–20 % покращення точності за такими метриками, як середня абсолютна помилка (MAE) та середньоквадратична помилка (RMSE), порівняно з традиційними базовими підходами.