MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions
Created by
Haebom
저자
Jian Yang, Jiahui Wu, Li Fang, Hongchao Fan, Bianying Zhang, Huijie Zhao, Guangyi Yang, Rui Xin, Xiong You
개요
본 논문은 심층 학습을 이용하여 도로 네트워크 데이터를 벡터 표현으로 변환하는 기존 방법들의 한계를 극복하기 위해, 다중 스케일 공간 상호작용을 통합하는 새로운 도로 네트워크 표현 학습 프레임워크인 MSRFormer를 제안합니다. 도로 네트워크의 이질성과 계층적 특성을 고려하여, 대규모 궤적 데이터셋으로부터 소규모 특징을 추출하는 공간 흐름 합성곱과 스케일 의존적 공간 상호작용 영역을 식별하는 기법을 사용합니다. 그래프 트랜스포머를 활용하여 다중 스케일의 복잡한 공간 의존성을 효과적으로 포착하고, 잔차 연결을 통해 공간 상호작용 특징을 융합하여 최종 도로 네트워크 표현을 도출합니다. 두 개의 실제 데이터셋을 사용한 검증 결과, MSRFormer는 기존 방법들보다 두 가지 도로 네트워크 분석 작업에서 성능이 우수함을 보였으며, 특히 복잡한 도로 네트워크 구조에서 최고 성능의 기존 방법보다 최대 16% 향상된 성능을 보였습니다. 궤적 데이터를 통합하는 것이 교통 관련 작업에 더 유리하며, 스케일 효과와 공간 상호작용의 흐름 이질성 간의 상호 작용 패턴을 강조합니다.
시사점, 한계점
•
시사점:
◦
다중 스케일 공간 상호작용을 고려한 도로 네트워크 표현 학습 프레임워크 MSRFormer 제시.