論文の概要: Dual-branch Spatial-Temporal Self-supervised Representation for Enhanced Road Network Learning

• arxiv url: http://arxiv.org/abs/2511.06633v1
• Date: Mon, 10 Nov 2025 02:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.034725
• Title: Dual-branch Spatial-Temporal Self-supervised Representation for Enhanced Road Network Learning
• Title（参考訳）: 道路ネットワーク学習のためのデュアルブランチ空間時間自己教師型表現
• Authors: Qinghong Guo, Yu Wang, Ji Cao, Tongya Zheng, Junshu Dai, Bingde Hu, Shunyu Liu, Canghong Jin,
• Abstract要約: 近年,グラフネットワーク(GNN)を利用して,道路セグメントの空間構造を自己管理パラダイムで特徴付ける手法が開発されている。 DSTと呼ばれる拡張道路表現のための,$textbfD$ual-branch $textbfS$patial-$textbfT$mporal self-supervised representation frameworkを提案する。
• 参考スコア（独自算出の注目度）: 12.232892796108397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road network representation learning (RNRL) has attracted increasing attention from both researchers and practitioners as various spatiotemporal tasks are emerging. Recent advanced methods leverage Graph Neural Networks (GNNs) and contrastive learning to characterize the spatial structure of road segments in a self-supervised paradigm. However, spatial heterogeneity and temporal dynamics of road networks raise severe challenges to the neighborhood smoothing mechanism of self-supervised GNNs. To address these issues, we propose a $\textbf{D}$ual-branch $\textbf{S}$patial-$\textbf{T}$emporal self-supervised representation framework for enhanced road representations, termed as DST. On one hand, DST designs a mix-hop transition matrix for graph convolution to incorporate dynamic relations of roads from trajectories. Besides, DST contrasts road representations of the vanilla road network against that of the hypergraph in a spatial self-supervised way. The hypergraph is newly built based on three types of hyperedges to capture long-range relations. On the other hand, DST performs next token prediction as the temporal self-supervised task on the sequences of traffic dynamics based on a causal Transformer, which is further regularized by differentiating traffic modes of weekdays from those of weekends. Extensive experiments against state-of-the-art methods verify the superiority of our proposed framework. Moreover, the comprehensive spatiotemporal modeling facilitates DST to excel in zero-shot learning scenarios.
• Abstract（参考訳）: 道路ネットワーク表現学習(RNRL)は、様々な時空間課題が出現するにつれて、研究者と実践者の両方から注目が集まっている。 近年,グラフニューラルネットワーク(GNN)とコントラスト学習を利用して,道路セグメントの空間構造を自己監督パラダイムで特徴づけている。 しかし、道路網の空間的不均一性と時間的ダイナミクスは、自己監督型GNNの近傍平滑化機構に深刻な課題を提起する。 これらの問題に対処するために、DSTと呼ばれる拡張道路表現のための、$\textbf{D}$ual-branch $\textbf{S}$patial-$\textbf{T}$emporal self-supervised representation frameworkを提案する。 一方、DSTは、軌跡からの道路の動的関係を組み込むために、グラフ畳み込みのためのミックスホップ遷移行列を設計する。 さらに、DSTは、空間的に自己教師された方法で、バニラ道路網の道路表現とハイパーグラフの道路表現とを対比する。 ハイパーグラフは3種類のハイパーエッジに基づいて構築され、長距離関係を捉えている。 一方、DSTは、因果変換器に基づくトラフィックダイナミクスのシーケンスの時間的自己教師タスクとして次のトークン予測を行う。 最先端手法に対する大規模な実験により,提案手法の優位性を検証した。 さらに、包括的時空間モデリングにより、DSTはゼロショット学習シナリオに優れる。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Linear Attention is Enough in Spatial-Temporal Forecasting [0.0]
  本稿では,道路ネットワークにおけるノードを独立した時空間トークンとして扱うことを提案する。 次に、それらをバニラ変換器に入力して、複雑な時空間パターンを学習します。 我々のコードは、手頃な計算コストで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-08-17T10:06:50Z)
• DST-GTN: Dynamic Spatio-Temporal Graph Transformer Network for Traffic Forecasting [6.5236608844840775]
  様々な時間に空間特性をカプセル化する動的時空間特徴 (Dyn-ST) という,詳細な特徴表現を新たに導入する。 DST-GTN(Dynamic Spatio-Temporal Graph Transformer Network)を提案する。 DST-GTNは、様々な交通予測タスクの最先端性能を達成し、安定性の向上を示す。
  論文  参考訳（メタデータ） (2024-04-18T08:44:52Z)
• 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)
• A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction [7.23135508361981]
  本稿では,隣接する行列をトレーニング可能なアテンションスコア行列とする時間自己アテンショングラフ畳み込みネットワーク(DT-SGN)モデルを提案する。 実世界の交通データセット上での最先端モデル駆動モデルとデータ駆動モデルよりも,本手法の方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-02-21T03:51:52Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network [2.524966118517392]
  我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。 我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2021-03-31T18:28:44Z)
• 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。