非均匀道路段对公交到达时间预测的效率优势
概率论
2025-12-09 v1
摘要
在公交到达时间预测中，将道路基础设施网络数据组织为均匀实体的过程称为分割。路网分割被广泛认为是开发到达时间预测系统的第一步且最关键的步骤，尤其对于基于自回归的方法而言。传统方法通常采用均匀分割策略，未能考虑沿道路的不同物理约束（如路况、交叉口及兴趣点），从而限制了预测效率。本文提出一种基于强化学习（RL）的方法，高效且自适应地学习非均匀道路段用于到达时间预测。该方法将预测过程解耦为两个阶段：1）基于影响得分提取非均匀道路段；2）对选定段应用线性预测模型进行预测。该方法确保最优段选择，同时保持计算效率，显著优于传统均匀方法。实验结果表明，线性方法甚至能优于更复杂的方法。大规模基准实验显示，所提方法不仅提升了效率，也增强了在大规模数据上的学习性能。数据集与代码已公开：https://github.com/pangjunbiao/Less-is-More。
引用
@article{arxiv.2512.07202,
title = {Hitting Probabilities for Hypoelliptic Differential Equations Driven by Fractional Brownian Motion},
author = {Xi Geng and Sheng Wang},
journal= {arXiv preprint arXiv:2512.07202},
year = {2025}
}