基于层次频率分解的图神经网络用于道路网络表示学习
机器学习
2025-11-18 v1 图形学
摘要
道路网络是智能交通系统及其相关应用的关键基础设施，其表示学习面临着空间结构与交通模式频率特性之间复杂相互作用的挑战。现有的图神经网络方法主要分为两大范畴：基于空间的方法捕获局部拓扑但易产生表示平滑，基于谱的方法分析全局频率成分但常忽视局部变化。这种空间-频谱错位限制了其对同时具有粗全局趋势和细粒度局部波动的道路网络的建模能力。为弥合这一差距，我们提出HiFiNet——一种新的层次频率分解图神经网络，统一了空间和频谱建模。HiFiNet构建多层虚拟节点以实现局部分析，并采用分解-更新-重构框架结合基于拓扑的图变换器，分别建模和融合低频和高频信号。理论上得到验证，经实验在多个真实数据集上进行验证，HiFiNet在捕获有效道路网络表示方面表现出优越的性能和泛化能力。
引用
@article{arxiv.2511.12507,
title = {Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning},
author = {Jingtian Ma and Jingyuan Wang and Leong Hou U},
journal= {arXiv preprint arXiv:2511.12507},
year = {2025}
}