MSRFormer：基于多尺度特征融合的异构空间相互作用道路网络表示学习
人工智能
2025-09-10 v2 机器学习
摘要
将道路网络数据转化为向量表示的深度学习方法已被证明对道路网络分析有效。然而，城市道路网络的异构性和层次性为准确表示学习带来了挑战。图神经网络由于其均匀性假设和关注单一结构尺度的特性，往往难以应对。为解决这些问题，本文提出了 MSRFormer—a 一种集成多尺度空间相互作用的 novel 道路网络表示学习框架，通过处理其 flow 异构性和长距离依赖性。它使用空间 flow 卷积从大型轨迹数据集中提取小尺度特征，并识别尺度依赖的空间相互作用区域以捕获道路网络的空间结构和 flow 异构性。通过采用图 transformer，MSRFormer 有效捕获跨多个尺度的复杂空间依赖性。空间相互作用特征通过残差连接进行融合，输入对比学习算法以获得最终的道路网络表示。在两个真实数据集上的验证表明，MSRFormer 在两种道路网络分析任务中均优于基线方法。MSRFormer 的性能提升表明，交通相关任务受益于整合轨迹数据的贡献更大，对于复杂道路网络结构可实现最高达 16% 的性能提升。该研究为开发面向任务的道路网络表示模型提供了实用框架，并突显尺度效应与空间相互作用 flow 异构性之间相互作用的不同关联模式。
引用
@article{arxiv.2509.05685,
title = {MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions},
author = {Jian Yang and Jiahui Wu and Li Fang and Hongchao Fan and Bianying Zhang and Huijie Zhao and Guangyi Yang and Rui Xin and Xiong You},
journal= {arXiv preprint arXiv:2509.05685},
year = {2025}
}