面向新个体的高效实用路径旅行时间估计框架
人工智能
2025-04-08 v1
摘要
路径旅行时间估计(ER-TTE)聚焦于预测剩余路径的旅行时间。现有的ER-TTE方法始终进行重新估计，尤其在面对同时用户请求的计算需求时，显著阻碍了实时性能。这导致延迟并降低ER-TTE服务的响应速度。我们提出一种通用高效框架U-ERTTE，结合不确定性引导决策机制(UGD)和基于元学习的精细调优(FTML)，以解决这些挑战。UGD量化不确定性并为整个路径提供置信区间，当实际旅行时间偏离预测置信区间时，仅选择性地进行重新估计，从而优化ER-TTE的效率。为确保置信区间的准确性以及需要重新估计的准确预测，采用FTML进行模型训练，使其能够学习通用驾驶模式并适应特定任务的特定特征。针对两个大规模真实数据集进行的广泛实验表明，U-ERTTE框架在保持高效能的同时显著提升了推理速度和吞吐量。我们的代码已公开 https://github.com/shenzekai/U-ERTTE
引用
@article{arxiv.2504.04086,
title = {Towards An Efficient and Effective En Route Travel Time Estimation Framework},
author = {Zekai Shen and Haitao Yuan and Xiaowei Mao and Congkang Lv and Shengnan Guo and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2504.04086},
year = {2025}
}
备注
Accepted by DASFAA 2025