MixTTE：面向可扩展与自适应的多层混合专家旅行时间估计
机器学习
2026-01-07 v1 多智能体系统
摘要
准确的旅行时间估计（TTE）对于叫车平台至关重要，误差直接影响用户体验和运营效率。虽然现有生产系统在整体路段依赖建模方面表现出色，但难以捕捉城市规模的交通动态和长尾情形，导致大城市网络中的预测不可靠。在本文中，我们提出\model，一套可扩展且自适应的框架，协同集成链路级建模与工业级路段TTE系统。具体而言，我们提出一种时空外部注意力模块，高效地跨越百万级道路网络捕捉全局交通动态依赖。此外，我们构建了一个稳定的图形混合专家网络，用于处理异构交通模式，同时保持推理效率。进一步地，针对动态交通分布偏移，设计了一种异步增量学习策略，以实现实时且稳定的适应。实验在真实数据集上验证，MixTTE显著优于七个基线方法，降低了预测误差。MixTTE已部署于DiDi，显著提升了TTE服务的准确性和稳定性。
引用
@article{arxiv.2601.02943,
title = {MixTTE: Multi-Level Mixture-of-Experts for Scalable and Adaptive Travel Time Estimation},
author = {Wenzhao Jiang and Jindong Han and Ruiqian Han and Hao Liu},
journal= {arXiv preprint arXiv:2601.02943},
year = {2026}
}
备注
Accepted to KDD 2026