Introduction

道路网络是城市交通的核心组成部分，在各种交通相关系统和应用中有着广泛的应用。由于其重要作用，开发通用的、有效的、鲁棒的路网表示模型是十分必要的。尽管在这个方向上已经做了很多努力，但它们还不能完全掌握道路网络的复杂特性。

在本文中，我们提出了一种新的分层的道路网络表示模型，命名为hrnr，通过构建一个分别对应于功能区、结构区域和路段的三级神经网络体系结构。为了将这三种节点关联起来，我们引入了两个由概率分布组成的矩阵，用于建模区域到区域的分配或区域到区域的分配。基于这两个分配矩阵，我们精心设计了两个基于网络结构和人体运动模式的重构任务。通过这种方式，我们的nodepresentations能够捕获结构和功能特征。最后，我们设计了一个三层层次的更新机制来学习整个网络的节点嵌入。在三个真实数据集上进行的四项任务的实验结果表明了该模型的有效性

Motivation

道路网络是一个相当复杂的系统，设计有效的表示学习方法并不容易。包含以下3个问题（节点的区别对待、远程依赖、节点的功能信息）

  1. 一些交通单元更重要，通过道路网络承担更重要的运输任务。而以往的研究通常采用标准图神经网络，将节点平等对待，无法刻画层次结构。
  2. 在典型的图神经网络[中，只聚合来自邻近节点的消息，无法有效地捕捉节点之间的远程依赖关系。
  3. 路网主要体现的是结构特征，其他方面的信息可能无法通过路网结构获得。例如，仅仅根据一个交通单元的道路连接，通常很难确定其功能角色(如购物中心)

Contribution

为了解决这些问题，本文的重点是为各种下游应用设计一种通用，有效和鲁棒的路网表示方法。

关键思想：☀️关键思想是开发高阶图形神经网络来学习这种表示。通过采用分层组织，我们可以通过聚集细粒度的单元，在不同级别编码有用的特征，从而逐渐形成更抽象的集群

  1. 遵循“功能区”→“结构区”→“路段”的层次结构来构建三级神经体系结构
  2. 将光谱聚类应用于通过聚集空间连接的路段来构建结构区域。此外，通过组合功能相关的结构区域，形成功能区域
  3. 引入两个分配矩阵，建模segment-to-region和region-to-zone 的成员关系，这两个矩阵分别描述了结构区域内各分段的概率分布和功能区域内各分段的概率分布

PRELIMINARIES

Road Segment

Model

Model architecture

image-20201202140604380