May, 2023

基于多图融合的道路网络节点重要性排序学习

PDF
TL;DR本论文提出了一种基于图学习的节点排序方法 (MGL2Rank)，将道路网络的多样性特征集成在其中，包括道路路段的车道数和平均速度，实现了路网节点的重要性排序。我们采用多图融合的采样算法 (MGWalk) 来建立道路路段之间的关联，利用嵌入式模块学习每个路段的潜在表征，最终获得节点表征来学习道路路段的重要性。在实验中，我们以沈阳市的区域道路网络为例，证明了该方法的有效性。
node rankinggraph learningroad networkmulti-graph fusionimportance ranking
发现论文，激发创造
  • 道路网络表示学习：基于双图的方法

    本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系，并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。

    Apr, 2023

  • 为未来引文预测建立动态异构图和节点重要性模型

    提出了一种基于动态异构图和节点重要性网络学习框架的方法来预测新发表论文的未来引用趋势，采用动态异构网络嵌入模块、节点重要性嵌入模块和对数正态分布来进行多面的论文节点表示和联合预测，通过实验证实该方法显著优于目前最先进的方法。

    May, 2023

  • 城市区域嵌入的多图融合网络

    本文提出了一种名为多图融合网络（MGFN）的模型，通过人类移动数据的地理位置相似性融合模块，将人类移动数据的多种模式嵌入到该模型中，这有助于进行交叉领域的预测任务，如犯罪预测，并在实际城市数据集上进行了广泛的实验，结果表明，MGFN 模型优于现有技术方法，最大提高了 12.35％。

    Jan, 2022

  • 使用图神经网络（GNN）对交通网络中的图进行边缘排名

    该文章提出一种基于图神经网络的边缘排序方法，用于评估不同边缘连接的重要性，并在大规模网络中表现出高效和准确的性能，此方法特别适用于城市基础设施的改进、电力和水资源网络的弹性分析以及工程网络的资源分配优化。

    Mar, 2023

  • 关系融合网络：用于道路网络的图卷积网络

    本研究介绍了一种特定于路网设计的图卷积神经网络（GCN）的改进型 RFN，与现有的 GCN 相比，在两个机器学习任务上的性能提高了 21％-40％，同时还表明了现有 GCN 可能无法有效地利用道路网络结构并可能无法很好地推广到其他道路网络。

    Jun, 2020

  • 利用图神经网络估计知识图谱中节点的重要性

    本文提出一种名为 GENI 的基于图神经网络的方法，聚合节点的重要性得分来预测知识图谱中节点的重要性，该方法在预测真实世界中各种特性的知识图谱中节点的重要性方面，比现有最先进方法的 NDCG@100 高出 5-17%。

    May, 2019

  • 基于灵活节点的交通需求预测图构建

    介绍了一种针对自由流动交通模式的新型图构建方法，利用密度聚类算法确定图中节点的灵活定位，并从乘车数据中提取有价值的信息来初始化图神经网络的边权重，实验证实了该方法显著提高了模型的性能和计算效率。

    Mar, 2024

  • 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测

    本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

    Sep, 2019

  • 多尺度注意力双组分图卷积网络用于交通预测

    本研究提出了一种名为 MRA-BGCN 的多范围注意力双组分图卷积神经网络模型，用于交通预测。实验结果表明，该模型在两种不同的交通数据集上均达到了最先进的效果。

    Nov, 2019

  • MA2GCN：基于轨迹数据的交通预测的多邻接关系注意力图卷积网络

    提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

    Jan, 2024