論文の概要: MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion
- arxiv url: http://arxiv.org/abs/2305.14375v3
- Date: Mon, 20 May 2024 02:12:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 01:00:22.529663
- Title: MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion
- Title(参考訳): MGL2Rank:マルチグラフフュージョンに基づく道路ネットワークにおけるノードの重要性のランク付けを学ぶ
- Authors: Ming Xu, Jing Zhang,
- Abstract要約: 既存の交通ネットワークにおけるノードの重要性を評価する方法は、位相情報と交通量のみを考慮する。
本稿では,ノードの重要性をランク付けするために,道路網の豊富な特徴を統合するグラフ学習ベースのフレームワーク(MGL2Rank)を提案する。
- 参考スコア(独自算出の注目度): 7.835154677901744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification of important nodes with strong propagation capabilities in road networks is a vital topic in urban planning. Existing methods for evaluating the importance of nodes in traffic networks only consider topological information and traffic volumes, the diversity of the traffic characteristics in road networks, such as the number of lanes and average speed of road segments, is ignored, thus limiting their performance. To solve this problem, we propose a graph learning-based framework (MGL2Rank) that integrates the rich characteristics of road networks to rank the importance of nodes. This framework comprises an embedding module containing a sampling algorithm (MGWalk) and an encoder network to learn the latent representations for each road segment. MGWalk utilizes multigraph fusion to capture the topology of road networks and establish associations between road segments based on their attributes. The obtained node representation is then used to learn the importance ranking of the road segments. Finally, a synthetic dataset is constructed for ranking tasks based on the regional road network of Shenyang City, and the ranking results on this dataset demonstrate the effectiveness of our method. The data and source code for MGL2Rank are available at https://github.com/iCityLab/MGL2Rank.
- Abstract(参考訳): 道路網における伝播能力の強い重要なノードの同定は都市計画において重要な課題である。
交通ネットワークにおけるノードの重要性を評価する既存の手法は、地形情報や交通量のみを考慮しており、車線数や道路セグメントの平均速度などの道路ネットワークにおける交通特性の多様性は無視され、性能が制限される。
この問題を解決するために,道路ネットワークの豊富な特徴を統合し,ノードの重要性をランク付けするグラフ学習ベースのフレームワーク(MGL2Rank)を提案する。
本フレームワークは、サンプリングアルゴリズム(MGWalk)とエンコーダネットワークとを含む埋め込みモジュールを備え、各道路セグメントの潜在表現を学習する。
MGWalkは、道路ネットワークのトポロジを捉え、それらの属性に基づいて道路セグメント間の関連を確立するために、マルチグラフ融合を利用する。
得られたノード表現は、道路セグメントの重要性のランキングを学習するために使用される。
最後に,シェニアン市の地方道路網をベースとしたタスクのランク付けのための合成データセットを構築し,その評価結果から本手法の有効性を実証した。
MGL2Rankのデータとソースコードはhttps://github.com/iCityLab/MGL2Rank.comで入手できる。
関連論文リスト
- Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。
記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。
提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
論文 参考訳(メタデータ) (2024-07-08T10:51:03Z) - STMGF: An Effective Spatial-Temporal Multi-Granularity Framework for Traffic Forecasting [12.809369696629625]
本稿では,道路網の長距離・長期情報収集を促進するため,時空間多言語フレームワーク(STMGF)と呼ばれる新しいフレームワークを提案する。
STMGFは、道路網の粒度情報を完全に活用し、階層的インタラクティブな方法で情報を集めることにより、長距離および長期の情報をモデル化する。
論文 参考訳(メタデータ) (2024-04-08T03:38:52Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - TopoMask: Instance-Mask-Based Formulation for the Road Topology Problem
via Transformer-Based Architecture [4.970364068620607]
道路トポロジにおける中心線予測のためのTopoMaskを紹介する。
TopoMaskはOpenLane-V2スコア(OLS)で4位、OpenLane Topology Challenge 2023ではF1スコアで2位にランクインしている。
論文 参考訳(メタデータ) (2023-06-08T17:58:57Z) - Graph-based Topology Reasoning for Driving Scenes [102.35885039110057]
TopoNetは、従来の知覚タスクを超えてトラフィック知識を抽象化できる最初のエンドツーエンドフレームワークである。
TopoNetを,難解なシーン理解ベンチマークOpenLane-V2で評価した。
論文 参考訳(メタデータ) (2023-04-11T15:23:29Z) - Learning to integrate vision data into road network data [14.86655504533083]
道路ネットワークは、コネクテッドおよび自律走行車の中核となるインフラである。
本稿では、グラフニューラルネットワークによる埋め込みを改善するために、リモートセンシングビジョンデータをネットワークデータに統合することを提案する。
中国・成都市におけるOSM+Di Chuxingデータセットの最先端性能を実現した。
論文 参考訳(メタデータ) (2021-12-20T15:38:49Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - PP-LinkNet: Improving Semantic Segmentation of High Resolution Satellite
Imagery with Multi-stage Training [4.694536172504848]
道路網と建築物のフットプリント抽出は、地図の更新、交通規制、都市計画、ライドシェアリング、災害対応テキストテットックなど、多くのアプリケーションにとって不可欠である。
論文 参考訳(メタデータ) (2020-10-14T10:23:48Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - How to Build a Graph-Based Deep Learning Architecture in Traffic Domain:
A Survey [19.58023036416987]
本稿では,多くのトラフィックアプリケーションにおけるグラフベースのディープラーニングアーキテクチャについて検討する。
まず、まず、グラフに基づいて交通問題を定式化し、様々なトラフィックデータセットからグラフを構築するためのガイドラインを提示する。
次に、これらのグラフベースのアーキテクチャを分解して、共有ディープラーニング技術について議論する。
論文 参考訳(メタデータ) (2020-05-24T09:07:55Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。