面向概率旅行时间估计的链表示学习
机器学习
2026-01-28 v2 机器学习
摘要
旅行时间估计是导航应用和网页地图服务的关键任务。现有的确定性和概率方法基于 trip 独立性假设，主要关注建模单个 trip，忽略了 trip 之间的相关性。然而，真实世界条件经常引入强烈的 trip 相关性，这些相关性受到天气等外部因素以及驾驶员倾向等内部因素的影响。为此，我们提出了一种深度分层联合概率模型ProbETA，用于旅行时间估计，捕捉inter-trip和intra-trip相关性。将多个trip之间旅行时间的联合分布建模为低秩多元高斯分布，以可学习的链表示进行参数化。我们还引入了基于trip子采样的数据增强方法，允许在学习链表示时进行细粒度的梯度反向传播。在推断期间，我们的模型在给定时空相邻已完成trip的条件下，估计查询trip的旅行时间概率分布。在两个真实世界GPS轨迹数据集上的评估表明，ProbETA在确定性和概率基线方法方面均表现出色，平均绝对百分比误差(MAPE)降低了超过12.60%。此外，所学得的链表示与物理网络几何一致，可能适用于其他任务。
引用
@article{arxiv.2407.05895,
title = {Link Representation Learning for Probabilistic Travel Time Estimation},
author = {Chen Xu and Qiang Wang and Lijun Sun},
journal= {arXiv preprint arXiv:2407.05895},
year = {2026}
}