Learning Embeddings of Intersections on Road Networks(sigsptial 2019)

智慧城市道路网是智能交通系统的基本组成部分。道路网络的信息表示是重要的，因为它是各种各样的应用的基础。提出了一种路口向量神经网络表示学习模型IRN2Vec (Intersection of froad network to Vector)，通过探索路口的地理局部性、内在特性以及道路用户的移动行为，学习编码了道路网络中丰富信息的路口向量。除了模型设计之外，本文还讨论了IRN2Vec所特有的几个问题，包括模型训练的数据准备和交叉点之间的各种关系。通过在3个真实数据集上使用3个下游测试用例来评估学习到的嵌入，包括十字路口交通信号和十字路口预测以及旅行时间估计。实验结果表明，IRN2Vec在交通信号预测(22.21% ~ 23.84%)和交叉路口预测(8.65% ~ 11.65%)以及旅行时间估计(MAE)的平均绝对误差(mean absolute error, MAE)(9.87% ~ 19.28%)方面优于已有的3种方法DeepWalk、LINE和Node2vec。

为了学习道路网的表示，自然要应用现有的一般网络表示学习方法，将道路网视为一般网络。然而，简单地将现有的网络表示学习方法应用于道路网表示学习是不现实的。首先，尽管网络表示学习方法旨在捕获网络的拓扑结构，但它们没有考虑道路网络的空间属性，例如交叉口的地理局部性。其次，网络表示学习方法通常采用随机游走对相关节点进行采样，无法捕捉移动道路用户从源节点到目的节点倾向于选择最短路径的移动行为。最后，网络表示学习方法通常不考虑结点间的同质性等关系 

为了弥补传统网络表示学习方法与道路网络学习方法之间的不足，本文提出了一种新的神经网络模型——道路网络到向量的交叉口(Intersection of froadnetwork To Vector, IRN2Vec)，旨在将道路网络嵌入到一个低维空间中，在该空间中，每个交叉口都被表示为潜在的特征向量。IRN2Vec模型通过探索交叉口的地理局部性和同质性、移动用户的移动行为和网络拓扑结构，编码了丰富的路网特征。

为了训练IRN2Vec模型，我们设计了一个新的学习框架，也被称为IRN2Vec(如图2所示)，它学习给定路网中交叉口的潜在向量。具体而言，IRN2Vec框架包括两个阶段:(1)训练数据准备:一种新的数据准备方法，通过模拟用户移动行为来采样最短路径，为学习IRN2Vec模型准备训练数据;(2)交叉表示