本文重新审视路网路径旅行时间估计问题,从异质性、邻近性、周期性和动态性4个重要方面捕捉和利用时空特征,以提高其准确性。
在空间层面,考虑了路网中路段层面的两种异质性:不同路段之间的转向方式不同,导致同一路段的行驶时间不同;不同的环节包含异构属性,从而导致不同的旅行时间。此外,我们还考虑了邻近性:相邻路段具有相似的交通模式,从而导致相似的旅行速度。构建了一个链接连接图来捕捉这种异质性和邻近性。
在时间上,时段背景信息(如高峰时段)的周/日周期性和动态交通状况对出行时间有显著影响,分别形成了静态和动态的时空特征。为了捕捉这种影响,将旅行时间/速度视为静态和动态的组合,并提取了许多时空相关的特征用于预测任务。
在方法上,如何建立一个通用的学习模型来提高估计精度仍然是一个开放问题。因此,本文设计了一个新的编码器-解码器框架——编码器使用序列注意力模型从时间角度对动态特征进行编码。解码器首先利用异构图注意力模型解码基于静态时空特征的出行速度静态部分,然后利用序列注意力模型从空间角度解码估计的出行时间。在真实数据集上的大量实验验证了所提方法的优越性以及上述4个方面的重要性。
MODEL OVERVIEW
STHR本质上是一个序列编码器-解码器框架。在序列编码部分,将所有时空特征都视为一个长度为历史时隙数的时间序列,因此将编码部分表示为时间编码器。对于序列解码部分,我们的目标是生成给定路线上每个路段的旅行速度/时间。因此,将路由视为一组链路序列,其长度为路由中链路的数量,因此将解码部分表示为空间解码器。
1)TEMPORAL ENCODER
2) SPATIAL DECODER
空间编码器的工作原理,包括三个模块(图6):全局静态直方图生成器,局部静态直方图获取器和时空注意。
3) ROUTE TRAVEL TIME ESTIMATION