論文の概要: MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions

• arxiv url: http://arxiv.org/abs/2509.05685v2
• Date: Tue, 09 Sep 2025 16:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 12:33:22.82647
• Title: MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions
• Title（参考訳）: MSRFormer:異種空間相互作用のマルチスケール特徴融合を用いた道路ネットワーク表現学習
• Authors: Jian Yang, Jiahui Wu, Li Fang, Hongchao Fan, Bianying Zhang, Huijie Zhao, Guangyi Yang, Rui Xin, Xiong You,
• Abstract要約: 本稿では,新しい道路ネットワーク表現学習フレームワークであるMSRFormerを提案する。 空間流の畳み込みを用いて、大きな軌跡データセットから小さな特徴を抽出する。 道路ネットワークの空間構造を捉えるために,スケール依存の空間相互作用領域を同定する。
• 参考スコア（独自算出の注目度）: 18.883574280859147
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transforming road network data into vector representations using deep learning has proven effective for road network analysis. However, urban road networks' heterogeneous and hierarchical nature poses challenges for accurate representation learning. Graph neural networks, which aggregate features from neighboring nodes, often struggle due to their homogeneity assumption and focus on a single structural scale. To address these issues, this paper presents MSRFormer, a novel road network representation learning framework that integrates multi-scale spatial interactions by addressing their flow heterogeneity and long-distance dependencies. It uses spatial flow convolution to extract small-scale features from large trajectory datasets, and identifies scale-dependent spatial interaction regions to capture the spatial structure of road networks and flow heterogeneity. By employing a graph transformer, MSRFormer effectively captures complex spatial dependencies across multiple scales. The spatial interaction features are fused using residual connections, which are fed to a contrastive learning algorithm to derive the final road network representation. Validation on two real-world datasets demonstrates that MSRFormer outperforms baseline methods in two road network analysis tasks. The performance gains of MSRFormer suggest the traffic-related task benefits more from incorporating trajectory data, also resulting in greater improvements in complex road network structures with up to 16% improvements compared to the most competitive baseline method. This research provides a practical framework for developing task-agnostic road network representation models and highlights distinct association patterns of the interplay between scale effects and flow heterogeneity of spatial interactions.
• Abstract（参考訳）: 深層学習を用いた道路ネットワークデータのベクトル表現への変換は道路ネットワーク解析に有効であることが証明された。 しかし、都市道路網の異質で階層的な性質は、正確な表現学習を困難にしている。 隣接するノードから特徴を集約するグラフニューラルネットワークは、その均一性の仮定のためにしばしば苦労し、単一の構造スケールに集中する。 これらの問題に対処するために,MSRFormerを提案する。MSRFormerは,フローの不均一性と長距離依存性に対処することで,マルチスケール空間相互作用を統合する新しい道路ネットワーク表現学習フレームワークである。 空間流畳み込みを用いて、大規模な軌跡データセットから小さな特徴を抽出し、大規模に依存した空間相互作用領域を特定して、道路網の空間構造と流れの不均一性を捉える。 グラフ変換器を用いることで、MSRFormerは複数のスケールにわたる複雑な空間依存を効果的にキャプチャする。 空間的相互作用の特徴は残差接続を用いて融合され、コントラスト学習アルゴリズムにより最終道路網表現を導出する。 2つの実世界のデータセットに対する検証は、MSRFormerが2つの道路ネットワーク分析タスクでベースラインメソッドより優れていることを示す。 MSRFormerの性能向上は、トラジェクトリデータの導入による交通関連タスクのメリットの向上を示唆し、また、最も競争力のあるベースライン手法に比べて16%も改善された複雑な道路ネットワーク構造の改善をもたらすことを示唆している。 本研究は,タスクに依存しない道路ネットワーク表現モデルを構築するための実践的枠組みを提供し,空間的相互作用のスケール効果とフローの不均一性の間の相互作用の異なる関連パターンを強調する。

関連論文リスト

• URoadNet: Dual Sparse Attentive U-Net for Multiscale Road Network Extraction [35.39993205110938]
  我々は、エレガントな道路認識セグメンテーションのための計算効率が高く強力なフレームワークを導入する。 提案手法はURoadNetと呼ばれ,局所的な局所的道路接続と全体的グローバルなトポロジ的意味論を効果的に符号化する。 本手法は,道路網の抽出分野における重要な進歩を示すものである。
  論文  参考訳（メタデータ） (2024-12-23T13:45:29Z)
• Multi-Level Embedding and Alignment Network with Consistency and Invariance Learning for Cross-View Geo-Localization [2.733505168507872]
  CVGL(Cross-View Geo-Localization)は、最もよく似たGPSタグ付き衛星画像を取得することで、ドローン画像のローカライゼーションを決定する。 既存の手法は、モデルの性能を改善する際に、計算と記憶の要求が増大する問題をしばしば見落としている。 マルチレベル・エンベディング・アライメント・ネットワーク(MEAN)と呼ばれる軽量なアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T13:10:38Z)
• Learning Decentralized Traffic Signal Controllers with Multi-Agent Graph Reinforcement Learning [42.175067773481416]
  我々は,空間的時間的相関を捉えるために,環境観測性を改善した新しい分散制御アーキテクチャを設計する。 具体的には,道路ネットワークに収集された非構造データから相関関連情報を抽出するトポロジ対応情報集約戦略を開発する。 拡散畳み込みモジュールが開発され、新しいMARLアルゴリズムが作成され、エージェントにグラフ学習の能力を与える。
  論文  参考訳（メタデータ） (2023-11-07T06:43:15Z)
• 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)
• DMGCRN: Dynamic Multi-Graph Convolution Recurrent Network for Traffic Forecasting [7.232141271583618]
  以上の問題に対処する新しい動的多重グラフ畳み込み再帰ネットワーク(DMG)を提案する。 距離に基づくグラフを用いて,距離の近いノードから空間情報をキャプチャする。 また,道路間の構造相関を符号化した新しい潜在グラフを構築し,ノードから空間情報をキャプチャする。
  論文  参考訳（メタデータ） (2021-12-04T06:51:55Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• 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。