基于最优传输的属性图聚类及其在道路交通数据中的应用

在许多实际情境中，例如社交网络或交通网络，数据同时表现为结构连通性和节点级属性。例如，交通网络中的道路不仅由其连通性描述，还可由交通流或速度轮廓描述。因此，理解此类系统需要同时分析网络结构和节点属性，这是属性图划分所解决的问题，该方法基于连通性和属性对节点进行聚类。在本工作中，我们调整了距离基方法以解决此问题，包括 Fréchet k-均值和基于Gromov-Wasserstein（GW）误差的最优传输方法。我们研究了如何为节点划分特别适应GW方法，这一领域相对较少探索。在属性图的语境下，我们引入了Fused GW 方法的一种改进方案，提供了理论保证且能够处理异构属性类型。此外，我们提出引入距离基嵌入以提升性能。对所提出的方法进行系统评估，使用专门的仿真框架，并在真实的交通数据集上进行演示。实验研究目标选择的影响，评估对噪声的鲁棒性，并为属性图聚类提供实用指导。在道路网络情境下，我们的结果表明，这些方法能够有效利用结构和属性信息以揭示有意义的聚类，为改进网络理解提供了见解。