STAD：对无视交通的行程时间估计的时空调整

行程时间估计是现代交通应用中的重要组成部分。最先进的行程时间估计技术使用 GPS 轨迹来学习路网（常建模为有向图）的权重，然后应用类 Dijkstra 算法寻找最短路径。行程时间随后计算为返回路径上边权重之和。为实现时间依赖性，现有系统计算对应于不同时间窗口的多个加权图。这些图通常在部署到生产路由引擎之前离线优化，造成了严重的工程开销。本文中，我们提出 STAD，一种对任意以起点、终点和出发时间形式表达的行程请求进行即时调整行程时间估计的系统。STAD 使用机器学习和稀疏行程数据来学习任何基础路由引擎的缺陷，随后将其转变为能够针对城市中真实交通状况调整行程时间的成熟时间依赖系统。STAD 通过结合如出发和目的地地理区域等空间特征与如出发时间和日期等时间特征，利用交通的时空特性，显著改善基础路由引擎的行程时间估计。基于多哈、纽约市和波尔图的真实行程数据集的实验显示，前两个城市的中位绝对误差降低 14%，后者降低 29%。我们还表明 STAD 在所有三个城市均优于不同的商业与研究基线。