Jointly Contrastive Representation Learning on Road Network and Trajectory

要約

学習された表現は、さまざまなダウンストリーム タスク (交通速度の推定、旅行時間の推定など) で直接使用できるため、道路ネットワークと軌跡表現の学習は交通システムに不可欠です。
ただし、ほとんどの既存の方法は、同じスケール内でのみ対比します。つまり、道路網と軌道を別々に扱い、貴重な相互関係を無視します。
この論文では、道路網と軌道表現をエンドツーエンドで共同で学習する統合フレームワークを提案することを目指しています。
道路と道路のコントラストと軌道と軌道のコントラストのドメイン固有の拡張を個別に設計します。つまり、コンテキスト上の隣接要素を持つ道路セグメントと、迂回路が置き換えられ、代替案が削除された軌道をそれぞれ設計します。
その上で、相互情報量の合計を最大化することで 2 つのスケールを橋渡しするために、道路と軌跡のクロススケール コントラストをさらに導入します。
グラフとそれに属するノードのみを対比する既存のクロススケール対比学習法とは異なり、道路セグメントと軌道の間の対比は、新しいポジティブ サンプリングと適応重み付け戦略によって精巧に調整されます。
4 つのダウンストリーム タスクを持つ 2 つの実世界のデータセットに基づいて慎重な実験を行い、パフォーマンスと有効性の向上を実証します。
コードは https://github.com/mzy94/JCLRNT で入手できます。

要約(オリジナル)

Road network and trajectory representation learning are essential for traffic systems since the learned representation can be directly used in various downstream tasks (e.g., traffic speed inference, and travel time estimation). However, most existing methods only contrast within the same scale, i.e., treating road network and trajectory separately, which ignores valuable inter-relations. In this paper, we aim to propose a unified framework that jointly learns the road network and trajectory representations end-to-end. We design domain-specific augmentations for road-road contrast and trajectory-trajectory contrast separately, i.e., road segment with its contextual neighbors and trajectory with its detour replaced and dropped alternatives, respectively. On top of that, we further introduce the road-trajectory cross-scale contrast to bridge the two scales by maximizing the total mutual information. Unlike the existing cross-scale contrastive learning methods on graphs that only contrast a graph and its belonging nodes, the contrast between road segment and trajectory is elaborately tailored via novel positive sampling and adaptive weighting strategies. We conduct prudent experiments based on two real-world datasets with four downstream tasks, demonstrating improved performance and effectiveness. The code is available at https://github.com/mzy94/JCLRNT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google