DeepIST：基于深度图像的时空网络用于行程时间估计
计算机视觉与模式识别
2019-09-13 v1 机器学习
机器学习
摘要
估计给定路径的行程时间是许多城市交通系统中的基本问题。然而，先前的工作未能很好地捕捉路径中嵌入的移动行为，因此未能准确估计行程时间。为填补这一空白，在本工作中，我们提出一种新颖的神经网络框架，即基于深度图像的时空网络（DeepIST），用于给定路径的行程时间估计。DeepIST 的新颖性在于以下方面：1）我们提出将路径绘制为一系列“广义图像”，其中包含子路径以及附加信息，如交通状况、道路网络和交通信号，以利用卷积神经网络模型（CNN）在图像处理上的能力；2）我们设计了一种新颖的二维 CNN，即 PathCNN，通过正则化并采用多种池化方法来提取图像中线条的空间模式；3）我们应用一维 CNN 来捕捉沿路径的空间模式间的时间模式以进行估计。实证结果表明，在多个大规模真实世界数据集中，DeepIST 以平均绝对误差（MAE）计显著优于最先进的行程时间估计模型 24.37% 至 25.64%。
引用
@article{arxiv.1909.05637,
title = {DeepIST: Deep Image-based Spatio-Temporal Network for Travel Time Estimation},
author = {Tao-yang Fu and Wang-Chien Lee},
journal= {arXiv preprint arXiv:1909.05637},
year = {2019}
}
备注
10 pages, accepted by The 28th ACM International Conference on Information and Knowledge Management (CIKM) 2019