Trans2Vec:耦合车辆移动模式的大规模城市路网表示学习框架北大核心CSCD

高效率实现城市路网信息的完备向量化表征,是嵌入各类深度学习模型以智能化解决下游交通任务的重要数据工程。现有表示学习方法难以有效耦合城市路网固有的拓扑结构信息与承载的转移模式信息,无法精确匹配下游交通任务的特征需求,且在面对大规模城市路网时,存在算法资源占用较高的现实问题。针对该问题,本文发展了一种多视图游走的路段表征向量学习方法,以车辆移动模式为核心,融合拓扑结构进行异质游走,实现大规模路网完备、高效的信息表达;以深圳市为试验区域,通过全量城市路网与实际车辆行程数据验证了该方法的有效性与先进性。