论文阅读笔记：When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks

论文阅读笔记：When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks

摘要：

问题：估算旅途路程时间，因为有很多复杂因素，包括空间相关性，时间依赖性，外部条件等

提出一种新方法DeepTTE(Travel Time Estimation)，估算路程时间。可以同时估计整个路径和每个局部路径时间。

主要贡献：

• 提出一个时空组件从原始GPS序列中学习其时间和空间依赖性。详细的说，主要有两部分组成：

1. 一个基于地理的卷积层，将原始GPS序列转换成一系列特征地图
   
2. 循环神经网络（LSTMs），可以显示获得的特征地图的时间依赖性和来自外部因素的嵌入

• 提出一个多任务组件通过多任务损失函数，来同时学习局部和整体路径时间，能够平衡单个和整体路径的权衡。或准确估计整个路径，我们设计了一个多因素关注机制，根据它们的隐含表示和外部因素来学习不同局部路径的权重
• 提出一个集成外部因素的属性组件，包括天气情况，路径长度，周几，驾驶偏好等。学习到的这些潜在表征输入到模型的一些地方，以加这些外部因素的重要性
• 我们对两个真实世界的大规模数据集进行了广泛的实验，这些数据集由成都和北京的出租车生成的GPS点组成。这两个数据集的百分比误差分别为11：89％和10：92％，明显优于现有方法。

准备工作：

定义1：(Historical Trajectory)T一系列连续的历史GPS点，每个GPS点Pi包括:维度p.lat，经度p.lng和时间戳p.ts。另外，每个T我们记录下他的外部因素如开始时间(timeID），周几（weekID），天气状况(weatherID)，相应司机(driverID)

定义2：(Objective)在训练阶段，我们学习给定路径和相应外部因素（像定义1定义的那种轨迹中提取出来的时空因素）。在测试阶段，给定路径P，和相应的外部因素，我们估计从出发位置到目的地的时间。我们假定旅行路径P是用户指定或者APP自动生成

本文不考虑优化路径P

模型架构：

分为三个部分：属性组件，时空学习组件，多任务学习组件。属性组件被用来处理外部因素和路径基本信息，其结果作为其他组件的一部分输入。时空学习组件是从原始GPS局部序列中学习空间相关和时间依赖性的主要组件。最后，在先前两部分组件的基础上，多任务学习组件估计给定路径的旅行时间，能够平衡单一估计和整体估计。

• 属性组件

我们用weatherID,driverID,weekID和timeID来表示每个属性。这些属性无法直接放进神经网络中。在我们的模型中，我们使用embedding method来降维。E<<V

除了嵌入属性，我们还合并了其他重要属性，旅行距离。他们共同组成输出向量attr

• 时空组件

时空组件由两部分组成。第一部分是将原始GPS序列转换成特征图的地理卷积神经网络。这个组件能得到相邻的GPS点的局部空间相关性。第二部分是循环神经网络，可以得到特征图的时间相关性。

1. 地理卷积层