image: Critical segment identification method process based on two-stage feature learning of dynamic and static embedding of road segments
Credit: Beijing Zhongke Journal Publising Co. Ltd.
近日，《地球信息科学学报》在线发表了福州大学数字中国研究院（福建）吴升教授带领研究生吴炜毅开展的一项研究成果。他们的研究致力于解决一个长期存在的难题：传统方法常常忽视交通流量较小区域内对局部至关重要的路段，这对大规模路网的全面交通管理造成了阻碍。
在研究方法上，研究人员将城市道路网络重新构思为一个交通语料库，把路段看作 “单词”，出行路线视为 “句子”。借助自然语言处理技术，他们首先运用Word2Vec生成路段的静态嵌入，以此获取道路的固有属性，比如连通性和地理位置信息。随后，采用深度语境化的ELMo模型来推导路段的动态嵌入，这些动态嵌入能够反映实时交通变化。同时，他们通过注意力池化和可微分聚类技术，将静态和动态路段嵌入融合起来，从而能够自适应地识别出对城市整体交通流量和局部区域需求都至关重要的路段。
为验证该方法的有效性，他们利用手机定位数据在福州市三环区域展开研究。实验结果表明，这种新方法能够有效识别大规模道路网络中的关键路段，以及局部区域内的相对关键路段。它为关键路段的识别提供了一种更精确、更实用的方法，对城市交通管理和优化的意义重大。
研究详情请见原文：
A Critical Road Segment Identification Method Using Two-Stage Feature Learning with Dynamic and Static Road Segment Embedding.
https://www.sciengine.com/JGIS/doi/10.12082/dqxxkx.2025.240483（如果您希望将文章全文翻译成英文阅读，请点击该网页中按钮 “科大讯飞翻译（iFLYTEK Translation）”）
Article Title
Critical section identification method based on section dynamic and static embedding two-stage feature learning
Article Publication Date
25-Jan-2025