When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks论文笔记

摘要：估算城市中任何一条道路（由一系列相连的路段表示）的行驶时间，对于交通监控、路线规划、乘客共享、出租车/Uber调度等具有重要意义。然而，这是一个非常具有挑战性的问题，受到各种复杂因素的影响，包括空间相关性、时间相关性、外部条件（如天气、交通灯）。先前的工作通常集中在估计单个路段或子路径的行程时间，然后总结这些时间，这导致了不准确的估计，因为这些方法不考虑道路交叉口/交通灯，并且可能累积局部误差。为了解决这些问题，我们提出了一个端到端的深度学习框架，用于估计行程时间（称为DEEPTTE），

该框架直接估计整个路径的行程时间。
 Deep learning framework for Travel Time Estimation (called DeepTTE) 

更具体地说，我们提出了一种地理卷积操作，将地理信息集成到经典卷积中，能够捕获空间相关性。

we present a geo-convolution operation by inte- grating the geographic information into the classical convo- lution, capable of capturing spatial correlations.

通过在卷积子层上叠加recurrent unit，我们的DeepTTE可以捕捉到时间依赖性。

By stacking recurrent unit on the geo-convoluton layer, our DeepTTE can capture the temporal dependencies as well.

在DEEPTTE的顶部给出了一个多任务学习组件，该组件学习在训练阶段同时估计整个路径和每个局部路径的行程时间。

A multi-task learning component is given on the top of DeepTTE, that learns to estimate the travel time of both the entire path and each local path simultaneously during the training phase

实验结果显示我们的方法优于目前较先进的方法

Introduction

应用：

估计给定路径的行程时间（由一系列相连的子路径表示）是路线规划、导航和交通调度中的一个基本问题。当用户搜索候选路线时，准确的行程时间估计有助于他们更好地规划路线并避免拥挤的道路，从而有助于缓解交通拥堵。几乎所有的电子地图和在线租车服务都在他们的应用程序中提供travel time estimation 旅行时间估计（TTE），比如谷歌地图、优步和滴滴。评估的质量对这些应用程序的用户体验至关重要。

尽管过去人们对这个问题进行了广泛的研究，但提供准确的行程时间仍然具有很大的挑战性，受以下方面的影响：

面临的挑战：

（1）1) Individual vs. Collective:估计一条道路的行程时间主要有两种方法：a) Individ- ual TTE:一种是将一条道路分割成若干个路段（或局部路径），然后估计每条局部路径的行程时间，最后求和得到总行程时间。（b) Collective TTE that directly estimates the travel time of the entire path

Although individual TTE methods (Yang, Guo, and Jensen 2013; Wang et al. 2016c; Pan, Demiryurek, and Shahabi 2012; Wang, Zheng, and Xue 2014) can estimate accurate travel time for each road segment, it cannot model complex traffic conditions within the entire path, including road intersections, t