基于聚合Uber数据的街道级行程时间估计
物理与社会
2020-01-17 v1 人工智能
机器学习
机器学习
摘要
估计城市环境中道路路段行程时间的时间模式对交通工程师与城市规划者至关重要。本文提出一种利用粗粒度聚合行程时间数据来估计给定都市区街道级行程时间的方法。我们的主要焦点是估计主干道路段上的行程时间，此类相关数据通常不可得。我们方法的核心思想是利用易获取、空间覆盖广的聚合数据集(如Uber Movement发布的数据)作为基底，将其他昂贵的细粒度数据集(如线圈计数与探针数据)叠加其上。我们提出的方法使用路网的图表示，并结合图路由、行程采样、图稀疏化与最小二乘优化等多种技术来估计街道级行程时间。利用采样行程与加权最短路径路由，我们迭代求解约束最小二乘问题以获得行程时间估计。我们在洛杉矶都市区街道网络上演示了该方法，其间交通分析区间的聚合行程时间数据可得。此外，我们提出了通过一种新颖的图伪稀疏化技术来扩展该方法的技术。
引用
@article{arxiv.2001.04533,
title = {Street-level Travel-time Estimation via Aggregated Uber Data},
author = {Kelsey Maass and Arun V Sathanur and Arif Khan and Robert Rallo},
journal= {arXiv preprint arXiv:2001.04533},
year = {2020}
}