Semantic-Enhanced Representation Learning for Road Networks with Temporal Dynamics

在这项研究中，我们介绍了一种称为Toast的新型框架，用于学习道路网络的通用表示，以及其先进的对应物DyToast，旨在增强时间动态集成，以提高各种时间敏感下游任务的性能。具体而言，我们建议对道路网络固有的两个关键语义特征进行编码：交通模式和行驶语义。为了实现这一点，我们通过结合旨在预测与目标道路段相关的交通上下文的辅助目标来改进跳过模块。此外，我们利用轨迹数据并设计基于Transformer的预训练策略，以在道路网络上提炼行驶语义。 DyToast通过使用统一的三角函数来增强这个框架，这些函数具有有益的特性，能够更有效地捕捉道路网络的时间演变和动态特性。通过这些提出的技术，我们可以获得编码道路网络中多方面知识的表示，适用于基于道路段的应用和基于轨迹的应用。在两个真实世界数据集上进行的大量实验表明，我们提出的框架始终以显着的优势优于现有技术基线。

本文旨在提出一种新的框架Toast，用于学习道路网络的通用表示，并介绍其高级版本DyToast，旨在增强时间动态的集成，以提高各种时间敏感下游任务的性能。

本文提出了两个关键的语义特征来编码道路网络：交通模式和行驶语义。作者通过改进skip-gram模块并结合Transformer设计预训练策略来实现这一目标，并使用统一三角函数来增强DyToast以更有效地捕捉道路网络的时间演变和动态性质。

本文提出的技术可以获得编码道路网络多方面知识的表示，适用于基于道路段的应用和基于轨迹的应用。作者在两个真实数据集上进行了广泛的实验，并在三个任务上表现出了比现有基线方法更好的性能。

最近在这个领域中，还有一些相关的研究，例如：《Learning Representations of Road Networks》、《TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents》等。