FMA-ETA：完全基于带注意力机制的 FFN 的到达时间估计
机器学习
2020-06-09 v1 机器学习
摘要
预计到达时间（ETA）是智能交通系统中最重要的服务之一，近年来成为一项具有挑战性的时空（ST）数据挖掘任务。如今，基于深度学习的方法，特别是基于循环神经网络（RNN）的方法，被用于从海量数据中建模时空模式以进行 ETA，并成为最先进的方法。然而，RNN 受限于缓慢的训练与推理速度，因其结构不利于并行计算。为解决该问题，我们提出了一种新颖、简洁且有效的 ETA 框架，主要基于前馈网络（FFN），即带多因素自注意力机制的 FFN（FMA-ETA）。所提出的新型多因素自注意力机制用于处理不同类别特征并有目的地聚合信息。在真实世界车辆出行数据集上的大量实验结果表明，FMA-ETA 在预测精度上可与最先进方法竞争，且推理速度显著更优。
引用
@article{arxiv.2006.04077,
title = {FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention},
author = {Yiwen Sun and Yulu Wang and Kun Fu and Zheng Wang and Ziang Yan and Changshui Zhang and Jieping Ye},
journal= {arXiv preprint arXiv:2006.04077},
year = {2020}
}