A Learning-based Method for Computing Shortest Path Distances on Road Networks（ICDE2021）

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：