准时到达：大规模路网中的行程时间分布估计
机器学习
2013-02-28 v1 人工智能
摘要
大多数最优路径问题侧重于最小化行程时间或行驶距离。通常，更有用的目标是最大化准时到达的概率，这需要行程时间的统计分布，而不仅仅是均值。我们提出了一种利用从 GPS 收集的探测车数据来估计大规模路网中行程时间分布的方法。我们提出了一个能够处理大量输入数据且随网络规模线性扩展的框架。利用图的平面拓扑结构，该方法高效地计算了相邻街道之间的时间相关性。首先，使用为本工作开发的“启停”(stop-and-go) 算法，将原始探测车轨迹压缩为每个遍历路段的行程时间与停车次数对。然后将压缩后的数据作为输入，用于训练路径行程时间模型，该模型耦合了马尔可夫模型与高斯马尔可夫随机场。最后，开发了可扩展的推断算法，以便从复合 MM-GMRF 模型中获取路径行程时间分布。我们在覆盖旧金山湾区的包含 505,000 个道路链接的网络上展示了我们模型的准确性和可扩展性。
引用
@article{arxiv.1302.6617,
title = {Arriving on time: estimating travel time distributions on large-scale road networks},
author = {Timothy Hunter and Aude Hofleitner and Jack Reilly and Walid Krichene and Jerome Thai and Anastasios Kouvelas and Pieter Abbeel and Alexandre Bayen},
journal= {arXiv preprint arXiv:1302.6617},
year = {2013}
}