面向具有时序动态性的路网的语义增强表示学习
机器学习
2024-03-19 v1 人工智能
摘要
在本研究中，我们引入了一个名为 Toast 的新颖框架，用于学习路网的通用表示，以及其进阶版本 DyToast，旨在增强时序动态性的整合，以提升各种时间敏感下游任务的性能。具体而言，我们提出编码路网固有的两个关键语义特征：交通模式和出行语义。为实现此目标，我们通过引入旨在预测与目标路段相关的交通上下文的辅助目标来改进 skip-gram 模块。此外，我们利用轨迹数据并设计了基于 Transformer 的预训练策略，以提炼路网上的出行语义。DyToast 通过采用以其有益特性著称的统一三角函数进一步增强了该框架，从而能够更有效地捕捉路网的时序演化和动态本质。借助这些提出的技术，我们可以获得编码路网内多方面知识内涵的表示，适用于基于路段的应用和基于轨迹的应用。在两个真实世界数据集上跨三个任务的广泛实验表明，我们提出的框架始终以显著优势超越最先进的基线。
引用
@article{arxiv.2403.11495,
title = {Semantic-Enhanced Representation Learning for Road Networks with Temporal Dynamics},
author = {Yile Chen and Xiucheng Li and Gao Cong and Zhifeng Bao and Cheng Long},
journal= {arXiv preprint arXiv:2403.11495},
year = {2024}
}