Resumen: Transformar los datos de la red de carreteras en representaciones vectoriales que utilizan el aprendizaje profundo ha demostrado ser efectivo para el análisis de redes de carreteras. Sin embargo, la naturaleza heterogénea y jerárquica de Urban Road Networks plantea desafíos para el aprendizaje de representación precisa. Las redes neuronales gráficas, que agregan características de los nodos vecinos, a menudo luchan debido a su suposición de homogeneidad y se centran en una única escala estructural. Para abordar estos problemas, este documento presenta MSRFormer, un nuevo marco de aprendizaje de representación de redes de carreteras que integra interacciones espaciales a múltiples escala al abordar su heterogeneidad de flujo y dependencias de larga distancia. Utiliza la convolución del flujo espacial para extraer características a pequeña escala de grandes conjuntos de datos de trayectoria, e identifica regiones de interacción espacial dependientes de la escala para capturar la estructura espacial de las redes de carreteras y la heterogeneidad de flujo. Al emplear un transformador gráfico, MSRFormer captura efectivamente dependencias espaciales complejas en múltiples escalas. Las características de interacción espacial se fusionan utilizando conexiones residuales, que se alimentan a un algoritmo de aprendizaje contrastante para derivar la representación final de la red de carreteras. La validación en dos conjuntos de datos del mundo real demuestra que MSRFormer supera a los métodos de referencia en dos tareas de análisis de redes de carreteras. Las ganancias de rendimiento de MSRFormer sugieren que los beneficios de la tarea relacionados con el tráfico se benefician más de la incorporación de datos de trayectoria, lo que también resulta en mayores mejoras en estructuras de redes de carreteras complejas con mejoras de hasta el 16% en comparación con el método de referencia más competitivo. Esta investigación proporciona un marco práctico para desarrollar modelos de representación de red de carreteras agnóstico de tareas y destaca patrones de asociación distintos de la interacción entre los efectos de escala y la heterogeneidad del flujo de las interacciones espaciales.
Publicado Originalme en export.arxiv.org El 8 de septiembre de 2025.
Ver Fuente Original
