TLETA：基于深度迁移学习与集成蜂窝知识的到达时间估计预测
机器学习
2022-06-20 v1 分布式、并行与集群计算
信息检索
摘要
车辆到达时间预测已被广泛研究。随着物联网设备与深度学习技术的出现，估计到达时间（ETA）已成为智能交通系统的关键组件。尽管已有许多 ETA 工具，但由于特殊车辆（如救护车、消防车等）交通数据量有限，其 ETA 仍具挑战性。现有工作对所有类型车辆使用同一模型，可能导致低精度。为此，作为该领域首例，我们提出一种深度迁移学习框架 TLETA 用于行驶时间预测。TLETA 构建蜂窝时空知识网格以提取驾驶模式，并结合路网结构嵌入构建用于 ETA 的深度神经网络。TLETA 包含可迁移层以支持不同类别车辆间的知识迁移。重要的是，我们的迁移模型仅训练最后几层以映射迁移知识，显著减少了训练时间。实验研究表明，我们的模型以高精度预测行程时间，并优于许多当前最优方法。
引用
@article{arxiv.2206.08513,
title = {TLETA: Deep Transfer Learning and Integrated Cellular Knowledge for Estimated Time of Arrival Prediction},
author = {Hieu Tran and Son Nguyen and I-Ling Yen and Farokh Bastani},
journal= {arXiv preprint arXiv:2206.08513},
year = {2022}
}
备注
8 pages, 3 figures, 3 tables. The 25th IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2022)