Краткое содержание

arXiv:2511.12507v1 Тип: новая статья Аннотация: Дорожные сети являются критически важной инфраструктурой, лежащей в основе интеллектуальных транспортных систем и связанных с ними приложений. Эффективное обучение представлений дорожных сетей остается сложной задачей из-за сложного взаимодействия пространственных структур и частотных характеристик в транспортных потоках. Существующие графовые нейронные сети для моделирования дорожных сетей в основном делятся на две парадигмы: пространственные методы, которые захватывают локальную топологию, но склонны к излишнему сглаживанию представлений, и спектральные методы, которые анализируют глобальные частотные компоненты, но часто упускают локальные вариации. Это пространственно-спектральное рассогласование ограничивает их способность к моделированию дорожных сетей, демонстрирующих как глобальные тренды, так и мелкозернистые локальные колебания. Чтобы преодолеть этот разрыв, мы предлагаем HiFiNet, новую иерархическую графовую нейронную сеть с частотной декомпозицией, которая объединяет пространственное и спектральное моделирование. HiFiNet строит многоуровневую иерархию