论文笔记
Learning Travel Time Distributions with Deep Generative Model（WWW19）
When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks （AAAI18）
主要挑战
- 现有工作分为局部路段方法和全局路段方法：
- 前者存在对交叉路口、红绿灯和转向灯因素无法建模的问题。同时，路段增多会造成积累性错误，不能得出对完整路径的精确时间估计；
- 后者存在当路径长度增加，在路径上真实轨迹减少时会降低旅行时间评估的置信程度；同时也存在轨迹不能完整通过整条路径的情况。
- 多样化的复杂因素，包括：
-
空间依赖：仅靠三个连续的GPS坐标，难以包含车辆的直行、右转、调头、驶入主路或驶入辅路等信息
-
时间依赖：相同的空间依赖在不同的时间可能不同。例如，高峰时段从辅路驶入主路行驶速度较慢，而低峰时段从辅路驶入主路速度较快。
-
额外因素：交通状态可能会被其他额外因素影响，例如天气、司机习惯、星期及等。
主要贡献
- 使用GPS轨迹数据学习时空特征：
(a) 使用特殊的卷积网络（GeoConv）将GPS序列转换为feature maps来捕捉局部的空间特征；
(b) 使用LSTM从上一步获得的feature map和额外特征（天气、日期...）embedding中学习时间依赖关系 - 使用多任务机制：
(a) 通过多任务损失函数同时学习局部路径和全局路径的旅行时间估计，从而平衡部分预测和整体预测的结果。
(b) 设计了多因子的注意力机制为不同的局部路径分配不同的权重，这些权重分配主要受到隐层表达和额外因素影响（类似天气信息等额外信息） - 使用属性组件：集成了额外信息（包括：天气条件、星期、路径距离和司机习惯等），并将学习到的潜在特征表达送入模型不同部分来提高这些额外信息的重要性。
- 在两个真实数据集上进行了仿真实验，评估结果优于现有全部方法。
细节要点
- 历史轨迹中的GPS采样点经过了重新采样，保证每两个采样点间的距离为200-400m。（训练和测试阶段均做同等处理）
- 诸如weekID等分类属性的embedding使用的是Gal, Y., and Ghahramani, Z. 2016. A theoretically grounded ap- plication of dropout in recurrent neural networks. In Advances in neural information processing systems, 1019–1027中提到的方法
- 计算travel distance时，分段计算轨迹点间的距离，最后求和得到全程总距离。
- 时间片划分：按照分钟分片，一天为1440个时间片
- GeoConv：最后把GPS经纬度feature map拼接了一个总distance
相关工作
- Road Segment-Based Travel Time Estimation
- 一类不考虑路段间关系
- 另一类只考虑速度或者时间，忽略了其他重要的额外因素
- Path-Based Travel Time Estimation
- 历史轨迹平均的方法，精度不好
- 根据地标图选择最常遍历的公路进行估测，会造成对有较少轨迹通过公路的估测效果不好
- 利用张量分解的方式获得未知子轨迹，同样对于稀疏数据不会有很好的效果（较少轨迹通过的路段）
- Deep Learning in Spatial Temporal Data
To best of knowledge, no prior work studies estimating the travel time of the whole path based on the deep learning approach.
该篇论文为17年发表的，因此，目前应该已经有了相关工作，后续阅读其他论文时，会将这篇论文纳入前期工作中一并考虑。
网友评论