Rebuilding City-Wide Traffic Origin Destination from Road Speed Data

了解城市范围内的交通问题可能有益于许多下游应用，如城市规划和公共交通发展。了解交通的一个关键步骤是揭示在一个时间段内有多少人从一个地点前往另一个地点(我们称之为TOD, temporal origin-destination的缩写)。利用TOD，我们可以通过模拟每个路段上的流量和速度来重建整个城市范围内的交通 。

经常使用的移动数据，例如GPS轨迹、监控摄像头，只能覆盖城市的一部分车辆或选定的区域。因此，我们建议使用普适速度数据来恢复TOD，并使用其他移动数据作为辅助数据。据我们所知，我们是第一个研究这个具有挑战性的问题的人。由于速度是由TOD生成的一个复杂过程，并且存在多个TOD分布可能生成类似的城市范围内道路速度观测值，因此具有很高的挑战性。本文提出一种新方法，通过单独的模块对复杂过程进行建模，并采用辅助数据来消除不可行解。在合成和真实数据集上的广泛实验表明，所提出模型比基线具有优越的性能。

 

 

请注意，虽然我们使用链接速度作为唯一的基本输入，但也可以添加其他辅助输入，如稀疏TOD张量、体张量、普查数据和POI数据。局部视图(对应某些区域、链接或行程)或全视图都可以作为辅助输入。

框架：

 在该模型中有三个组件:TOD生成、TOD- volume映射和Volume-Speed映射。

 将它们与预测量(TOD、体积和速度)进行比较，以构建辅助损失。通过最小化主损失和辅助损失的组合，模型将能够将损失传播回每个模块以优化参数。我们将在以下几节介绍每个模块。

B. TOD Generation

C. TOD-Volume Mapping

我们模型的第二个部分是试图描述TOD如何生成链接量。 

 在这里，我们建议使用二维注意网络结构(时间维度之间和不同路由之间)(如图5所示)来建模路由行程计数如何生成link volume。

 

 简而言之，路线上每个路段流量的关注强度是高度动态的，应该是当前时间步前几个时间帧的交通状况的函数。回顾的时间范围的数量是一个超参数。

D. Volume-Speed Mapping

为了加快映射速度，我们使用LSTM层来捕获关系。具体地说,我们有 

 

V. EXPERIMENT

 

 

 

 

 阅读者总结：这是一篇很有趣的工作，文中设计的实验很值得学习