DuETA：基于高效图学习的交通拥堵传播模式建模用于百度地图ETA预测
机器学习
2022-08-16 v1 人工智能
社会与信息网络
摘要
预计到达时间（ETA）预测，又称行程时间估计，是众多智能交通应用（如导航、路线规划和网约车服务）的基础任务。为准确预测一条路线的行程时间，必须同时考虑上下文与预测因素，例如时空交互、驾驶行为以及交通拥堵传播推断。百度地图此前部署的ETA预测模型已分别处理了时空交互（ConSTGAT）与驾驶行为（SSML）因素。本工作中，我们聚焦于建模交通拥堵传播模式以提升ETA性能。交通拥堵传播模式建模具有挑战性，需要考量随时间推移的影响区域，以及道路网中交通事件引起的延迟变化的累积效应。本文提出一个实用的工业级ETA预测框架DuETA。具体而言，我们基于交通模式的相关性构建拥堵敏感图，并设计了一个路线感知图Transformer直接学习路段间的远距离相关性。该设计使DuETA能够捕捉在空间上相距较远但在交通状况上高度相关的路段对之间的交互。我们在百度地图采集的大规模真实世界数据集上进行了充分实验。实验结果表明，ETA预测可显著受益于所学得的交通拥堵传播模式。此外，DuETA已在百度地图生产环境中部署，每日服务数十亿次请求。这表明DuETA是一种面向大规模ETA预测服务的工业级且鲁棒的解决方案。
引用
@article{arxiv.2208.06979,
title = {DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps},
author = {Jizhou Huang and Zhengjie Huang and Xiaomin Fang and Shikun Feng and Xuyi Chen and Jiaxiang Liu and Haitao Yuan and Haifeng Wang},
journal= {arXiv preprint arXiv:2208.06979},
year = {2022}
}
备注
To appear at CIKM 2022