面向出行时间预测的罕见时间条件表示学习
机器学习
2022-08-10 v1 机器学习
摘要
由于在历史数据上的局限，在罕见时间条件（例如公共假日、学校假期等）下预测出行时间构成一项挑战。即便历史数据可用，由于长时间段内发生其他变更（例如道路施工、引入的交通 calming 举措等）的高概率，其往往形成异质时间序列。这在城市与郊区尤为突出。我们提出一种编码罕见时间条件的向量空间模型，其允许跨不同时间条件的连贯表示学习。我们展示了当利用该向量空间编码来表示时间设定时，出行时间预测相对于不同基线方法的性能提升。
引用
@article{arxiv.2208.04667,
title = {Representation learning of rare temporal conditions for travel time prediction},
author = {Niklas Petersen and Filipe Rodrigues and Francisco Pereira},
journal= {arXiv preprint arXiv:2208.04667},
year = {2022}
}