无路网下的出行时间估计：一种城市形态布局表征方法
人工智能
2019-07-09 v1 计算机视觉与模式识别
机器学习
摘要
出行时间估计不仅对个人出行安排而且对城市规划都是一项关键任务。以往方法侧重于对道路段或子路径建模，再求和得到最终预测，近来已被端到端训练的深层神经模型取代。通常，这些方法基于显式特征表示，包括时空特征、交通状态等。本文认为，局部交通状况与土地利用和建成环境（即地铁站、主干道、交叉口、商业区、住宅区等）紧密关联，然而该关系随时间变化且过于复杂，难以显式且高效地建模。因此，本文提出一种端到端多任务深层神经模型，名为 Deep Image to Time（DeepI2T），主要从建成环境图像（亦称形态布局图像）学习出行时间，并在两个城市的真实数据集上展示了新的最优性能。此外，我们的模型设计用于应对测试阶段中路径感知与路径盲两种场景。本工作为在多个地理相关智慧城市应用中使用公开可用的形态布局图像作为可观信息开辟了新机遇。
引用
@article{arxiv.1907.03381,
title = {Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach},
author = {Wuwei Lan and Yanyan Xu and Bin Zhao},
journal= {arXiv preprint arXiv:1907.03381},
year = {2019}
}
备注
Accepted at IJCAI 2019