論文の概要: HetGL2R: Learning to Rank Critical Road Segments via Attributed Heterogeneous Graph Random Walks

• arxiv url: http://arxiv.org/abs/2504.19199v1
• Date: Sun, 27 Apr 2025 11:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.176863
• Title: HetGL2R: Learning to Rank Critical Road Segments via Attributed Heterogeneous Graph Random Walks
• Title（参考訳）: HetGL2R: 分散不均一グラフランダムウォークによるクリティカルロードセグメントのランク付け学習
• Authors: Ming Xu, Jinrong Xiang, Zilong Xie, Xiangfu Meng,
• Abstract要約: HetGL2Rは、道路ネットワークにおけるノードのランク付けのための異種グラフ学習手法である。 HetGL2RはOD要求と経路選択情報を取り入れたベースラインよりも優れており、より正確で堅牢なノードランキングを実現している。
• 参考スコア（独自算出の注目度）: 1.015962377068103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately identifying critical nodes with high spatial influence in road networks is essential for enhancing the efficiency of traffic management and urban planning. However, existing node importance ranking methods mainly rely on structural features and topological information, often overlooking critical factors such as origin-destination (OD) demand and route information. This limitation leaves considerable room for improvement in ranking accuracy. To address this issue, we propose HetGL2R, an attributed heterogeneous graph learning approach for ranking node importance in road networks. This method introduces a tripartite graph (trip graph) to model the structure of the road network, integrating OD demand, route choice, and various structural features of road segments. Based on the trip graph, we design an embedding method to learn node representations that reflect the spatial influence of road segments. The method consists of a heterogeneous random walk sampling algorithm (HetGWalk) and a Transformer encoder. HetGWalk constructs multiple attribute-guided graphs based on the trip graph to enrich the diversity of semantic associations between nodes. It then applies a joint random walk mechanism to convert both topological structures and node attributes into sequences, enabling the encoder to capture spatial dependencies more effectively among road segments. Finally, a listwise ranking strategy is employed to evaluate node importance. To validate the performance of our method, we construct two synthetic datasets using SUMO based on simulated road networks. Experimental results demonstrate that HetGL2R significantly outperforms baselines in incorporating OD demand and route choice information, achieving more accurate and robust node ranking. Furthermore, we conduct a case study using real-world taxi trajectory data from Beijing, further verifying the practicality of the proposed method.
• Abstract（参考訳）: 交通管理と都市計画の効率化のためには,道路網における空間的影響の高い重要なノードの正確な同定が不可欠である。 しかし、既存のノードの重要度ランキング法は主に構造的特徴やトポロジカル情報に依存しており、オリジン・デスティネーション(OD)の需要やルート情報といった重要な要因を見落としていることが多い。 この制限は、ランキングの精度を向上する余地を残している。 この問題に対処するために,道路ネットワークにおけるノードの重要度をランク付けするヘテロジニアスグラフ学習手法であるHetGL2Rを提案する。 本手法では,道路網の構造をモデル化するための三部グラフ(トリップグラフ)を導入し,OD需要,経路選択,道路セグメントの様々な構造的特徴を統合する。 トリップグラフに基づいて,道路セグメントの空間的影響を反映したノード表現を学習するための埋め込み手法を設計する。 この方法は異種ランダムウォークサンプリングアルゴリズム(HetGWalk)とトランスフォーマーエンコーダからなる。 HetGWalkは、トリップグラフに基づいて複数の属性誘導グラフを構築し、ノード間のセマンティックアソシエーションの多様性を強化する。 次に、トポロジ構造とノード属性の両方をシーケンスに変換するための共同ランダムウォーク機構を適用し、エンコーダが道路セグメント間の空間的依存関係をより効率的にキャプチャできるようにする。 最後に、ノードの重要性を評価するためにリストワイズランキング戦略を用いる。 提案手法の有効性を検証するため,シミュレーション道路網に基づくSUMOを用いた2つの合成データセットを構築した。 実験の結果,HetGL2RはOD要求情報や経路選択情報を取り入れたベースラインよりも優れており,より正確でロバストなノードランキングを実現していることがわかった。 さらに,北京の実際のタクシー軌道データを用いてケーススタディを行い,提案手法の有効性を検証した。

関連論文リスト

• Translating Images to Road Network: A Sequence-to-Sequence Perspective [32.39335559663393]
  道路網は高精細地図の生成に不可欠である。 既存のメソッドは、2つのタイプのデータドメインを効果的にマージするのに苦労しています。 我々は、ユークリッドデータと非ユークリッドデータの両方をRoadNet Sequenceと呼ばれる整数列に投影することで、両方のデータ領域の統一表現を提案する。
  論文  参考訳（メタデータ） (2024-02-13T04:12:41Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• MGL2Rank: Learning to Rank the Importance of Nodes in Road Networks Based on Multi-Graph Fusion [7.835154677901744]
  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。
  論文  参考訳（メタデータ） (2023-05-20T13:46:44Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
  本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。 静的および動的駆動コンテキストを階層的にエンコードする。 提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
  論文  参考訳（メタデータ） (2021-11-02T13:42:16Z)
• 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)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Bayesian Graph Convolutional Network for Traffic Prediction [23.30484840210517]
  これらの問題を緩和するためにベイズグラフ畳み込みネットワーク(BGCN)フレームワークを提案する。 この枠組みの下では、グラフ構造はパラメトリック生成モデルからランダムな実現と見なされる。 本手法の有効性を5つの実世界データセットで検証し,BGCNが最新手法と比較して優れた性能を発揮することを実証した。
  論文  参考訳（メタデータ） (2021-04-01T14:19:37Z)
• Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting [22.277878492878475]
  本稿では,BSTGCN (Bayesian S-temporal Contemporal Graphal Network) を提案する。 ネットワーク内のグラフ構造は,道路網の物理的トポロジと交通データからエンドツーエンドに学習する。 実世界の2つのデータセットに対する本手法の有効性を検証し,BSTGCNが最先端の手法と比較して優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2020-10-15T03:41:37Z)
• 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。