在现实世界的许多应用中,计算道路网络上两点之间的最短路径距离是一项核心操作,例如寻找最近的出租车/酒店。然而,现有的技术有一些局限性。首先,传统的基于dijkstra的方法延迟较长,无法满足高性能需求;其次,现有的基于索引的方法要么索引规模过大,要么性能较差。针对这些问题,本文提出了一种基于学习的最短距离近似计算方法,该方法能够高效地计算最短距离近似,使得:(1)计算速度非常快,仅需60 ~ 150纳秒;(2)近似结果的错误率极小,小于0.7%;(3)可以很好地扩展到大型道路网络,例如数百万个节点。该算法的核心思想是:首先将道路网络信息嵌入到一个低维空间中,以表示节点间的距离关系;然后为每个节点构造一个内嵌向量,在这些内嵌向量上使用距离度量L1来近似计算最短路距离。提出了一种层次模型来表示嵌入,并设计了一种有效的模型训练方法。我们还设计了一种微调方法来明智地选择高质量的训练数据。在真实数据集上的大量实验表明,基于嵌入的方法明显优于现有方法。
方案:
本文提出道路网嵌入(road network embedding, RNE)模型,将道路网上的二维顶点(经度和纬度)嵌入到d维嵌入向量中,利用L1度量来近似最短路径距离,而不是在图上进行搜索(如图1所示)。这里有三个挑战。首先,设计一种有效的表示模型,能够捕捉遍布整个道路网络的顶点之间的距离关系。提出了一种层次嵌入模型。二是高效、有效地训练嵌入模型。本文提出了一种分层次的嵌入训练方法。三是选择高质量的训练样本,以获得较低的估计误差。我们设计了一种微调方法来明智地选择高质量的训练数据。
框架
问题: