用于行程时间估计的时空双图神经网络

行程时间估计是智能交通系统发展的核心任务之一。大多数先前的工作通过学习路段或交叉口的时空特征来分别建模以估计行程时间。然而，由于路径中路段与交叉口的持续交替，动态特征应当是耦合且交互的。因此，仅对其中一方建模限制了行程时间估计精度的进一步提升。为了解决上述问题，本文提出了一种新颖的基于图的深度学习框架用于行程时间估计，即时空双图神经网络（STDGNN）。具体而言，我们首先建立节点图和边图，分别刻画交叉口之间与路段之间的邻接关系。为了提取交叉口和路段的联合时空相关性，我们采用时空双图学习方法，将多个时空双图学习模块与多尺度网络架构相结合，以从双图中捕获多级时空信息。最后，我们采用多任务学习方法同时估计给定整条路线、每个路段及交叉口的行程时间。我们在三个真实轨迹数据集上进行了大量实验来评估所提出的模型，实验结果表明 STDGNN 显著优于多个最先进的基线方法。