RLER-TTE：基于强化学习的 En Route 旅行时间估计高效有效框架
机器学习
2025-01-28 v1
摘要
En Route 旅行时间估计(ER-TTE)旨在从旅行的路线中学习驾驶模式，以实现快速准确的实时预测。然而，现有方法忽略了真实交通系统的复杂性和动态性，导致在实际场景中效率和准确性之间存在显著差距。针对这一问题是关键且具有挑战性的任务。本文提出了一种新框架，重新定义了 ER-TTE 的实现路径，以实现高度高效和有效的预测。首先，我们引入了一个由决策者和预测者组成的新管道，以纠正当前方法中不高效的预测策略。决策者执行高效的实时决策，以确定预测者中高复杂度模型是否需要被调用；预测者根据这些决策重新计算旅行时间或从历史预测结果推断。接下来，为了应对动态和不确定的实时场景，我们将在线决策问题建模为马尔可夫决策过程，并设计了一个基于强化学习的智能代理用于自主决策。此外，为了充分利用在线数据与离线数据之间的时空相关性，我们基于注意力机制精心设计了特征表示和编码技术。最后，为了改进现有方法的有缺陷的训练和评估策略，我们提出了一种端到端的训练和评估方法，纳入课程学习策略以管理时空数据以获得更先进的训练算法。在三个真实世界数据集上的广泛评估表明，我们的方法在准确性和效率方面均显著优于最先进的解决方案。
引用
@article{arxiv.2501.15493,
title = {RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning},
author = {Zhihan Zheng and Haitao Yuan and Minxiao Chen and Shangguang Wang},
journal= {arXiv preprint arXiv:2501.15493},
year = {2025}
}
备注
Accepted by SIGMOD 2025