DEEPTRAVEL: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision
道路行驶时间的估计对城市智能交通具有重要意义。现有的方法要么是基于每个路段的时间成本估计,要么是基于非学习的启发式设计。前者无法捕获许多跨段复杂因素,后者无法利用数据已有的丰富时间标签,即每个轨迹点的时间戳。在本文中,我们利用深度神经网络的新发展,提出了一种新的辅助监督模型,即DEEPTRAVEL,可以自动有效地提取不同的特征,并充分利用轨迹数据的时间标签。我们在真实数据集上进行了全面的实验,以证明DEEPTRAVEL优于现有方法
阅读者总结:论文的创新点在于模型设计上考虑了多种状况的融合,长短期状况,时空嵌入关系等。在18年该模型还是很新颖的。
我们建议使用DEEPTRAVEL作为解决方案。如图1所示,它由两层组成,特征表示层和预测层。前者旨在从路径中提取不同的特征,后者在辅助监督下利用这些特征预测行程时间。
3.1 Feature Representation Layer
我们使用特征来捕捉可能影响路径旅行时间的因素。DEEPTRAVEL考虑了时空嵌入、驾驶状态特征、短期和长期交通特征。我们用每个网格作为这些特