Effective Travel Time Estimation: When Historical Trajectories over Road Networks Matter

Effective Travel Time Estimation: When Historical Trajectories over Road Networks Matter（sigmod2020）

本文研究了OD输入由一个OD对和一个出发时间组成的出发-目的地(OD)旅行时间估计问题。本文提出一种新的基于神经网络的预测模型，充分利用了文献中忽略的一个重要事实——对于过去的OD行程，其旅行时间通常与它所沿着的轨迹有关，而在预测期间并不存在。在训练阶段，目标是为OD输入及其附属轨迹设计新的表示，使它们在潜空间中彼此接近。首先，将OD对及其附属(历史)轨迹与道路网络进行匹配，并利用路段嵌入来表示它们的空间属性。之后，将与轨迹相关的时间戳与时间槽进行匹配，并利用时间槽嵌入来表示时间属性.接下来，构建一个时序图来捕获时间槽嵌入的周和日周期性。最后，设计了一种有效的编码来表示轨迹的时空属性。为了将每个OD输入与其关联的轨迹相绑定，还将OD输入编码为一个隐藏表示，使隐藏表示接近于轨迹的时空表示。在预测阶段，我们只使用OD输入，得到OD输入的隐藏表示，并使用它来生成旅行时间。在真实数据集上的大量实验表明，该方法具有较高的有效性，优于现有方法。

研究问题：

1. 任何现有的深度学习工作都没有充分利用历史行程记录的轨迹 

 2. 首先，给定历史出行记录，分别为OD输入及其附属轨迹设计新的表示，使它们在潜空间中相互接近，仍然是一个关键挑战。其次，这样的轨迹只在模型训练阶段(对于过去的出行)可用，而在预测阶段不存在

研究内容：

本文设计了一种新的基于神经网络的方法DeepOD，旨在利用历史轨迹和道路网络的力量来实现有效的OD行程时间估计。

对于OD输入相关的轨迹表示，定义了时空路径的概念，以联合表示轨迹的时空属性。时空路径是一个序列，其中每个元素包含一个路段和一个时间间隔。我们使用道路段嵌入表示道路段，并设计了一个编码模型，将时间间隔转换为基于时间槽嵌入的隐藏表示。最后，将路段表示与时间间隔表示进行拼接，应用序列模型得到最终表示。

 路段嵌入旨在将每个路段转换为固定长度的向量，时间槽嵌入旨在将每个时间戳转换为固定长度的向量，外部特征编码器旨在将外部特征𝑓转换为固定长度的向量，轨迹编码器旨在将轨迹编码为固定长度的向量。

1）Time Interval Encoder 

 因此，我们需要将时间间隔编码为时间表示。如图6所示，编码模块可以分为两个部分，分别称为时隙嵌入和合并。

2）Trajectory Encoder

 创新点：1）就是考虑了历史旅行轨迹，在模型上面没有看出太多新颖的地方