ETA 技术参考
持续整理中
滴滴
-
[[@Learning to Estimate the Travel Time]] 2018 年KDD，Wide & Deep & RNN
-
[[@Multi-task Representation Learning for Travel Time Estimation]] 多任务框架，预估行程时间和行程距离
-
[[@HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival]] 图卷积应用在 ETA 和路况预测任务
-
[[CompactETA]] link 表达 + mlp
-
[[@Interpreting Trajectories from Multiple Views: A Hierarchical Self-Attention Network for Estimating the Time of Arrival]] 和华南理工合作论文，2022 年KDD。
-
Dynamic Heterogeneous Graph Neural Network for Real-time Event Prediction 使用异质图神经网络进行实时事件预测
百度
-
[[@ConSTGAT: Contextual Spatial-Temporal Graph Attention Network for Travel Time Estimation at Baidu Maps]] 时空图注意力网络
-
[[@SSML: Self-Supervised Meta-Learner for En Route Travel Time Estimation at Baidu Maps]]
-
[[@DuTraffic: Live Traffic Condition Prediction with Trajectory Data and Street Views at Baidu Maps]]
高德
-
-
概念
-
SP(Speed Profile)：同一特征日相同时间区间的历史平均速度，按 10min 聚合。例如每周一早上 9:00-9:10，某个 link 上所有轨迹，可以将过去几周聚合求一个平均速度，这个平均速度可以代表对这个 link 在未来周一早上 9:00-9:10 这个时间区间内通行速度的静态预测。
-
AutoLR(Autonavi Location Reference)：实时路况
-
link 通行耗时真值：在一个 5min 的时间窗口内进入某一 link 的所有轨迹，在完成去噪后求取平均值，即得到该 link 在该 5min 窗口内的通行耗时真值。
-
-
框架
-
+ 真值生产
+ 将各个 link 上 5min 窗口的实走轨迹聚合求平均通行时间，得到 link 通行耗时真值。
+ 给定 trace 推算通行耗时真值
+ link 场景化预测：根据历史真值将 link 归为不同类别
+ 不堵 link 直接用静态 sp
+ link 级别预测
+ 静态 sp，预测时间跨度可达未来一周
+ 线性模型，通过实时信息 autolr 和历史信息 sp 来拟合 link 级真值
+ 精准预测，模型预测
+ trace 级别预测
+ 准点率预测，给出 trace 级别预测结果的可信度
+ 路线 link 每 5 分钟推演，使用对应时间片的预测结果。超过 1 小时用历史。最后累加得到整条路线 eta。
+ 效果评测层面
+ 对问题 link 的 eta 进行自动干预，人工干预
+ 精准预测
+ 每分钟将 link 级多时间跨度预测值写入缓存，预测是有精准预测值的情况下将有限使用精准预测结果
+ 1小时内有实时路况，使用线性模型预测
+ eta 预测难点
+ 未来流量，让深度模型提前感知拥堵的到来
+ 对导航路线进行时间推演，得到未来时间的位置。
+ [[H-STGCN]] 用域转换器整合异质模态的交通流量特征，设计了复合邻接矩阵使得图卷积层能够更好地捕捉路段间的接近性。
+ 效果评估
+ link 评估
+ bad link 定义 link eta 和 link ata 的 ape 大于 0.3
+ $MSE= \frac{\sum_{i=1}^n \sum_{j=1}^k (link_{i,eta}^j - link_{i, ata}^j)^2}{n * k}$
+ trace 评估
+ trace 的 ata 和 eta 对比
-
[[@Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data]]
-
深度学习在高德驾车导航历史速度预测中的探索与实践 (qq.com)
-
使用历史平均值法预测历史速度的缺点
-
对于异常点敏感
-
无法利用时域序列的演化趋势（trend）信息
-
无法利用去年同期的车辆行驶规律
-
-
[[TCN]] 特点
-
存在因果关系，未来到过去不会存在信息泄漏
-
可以将任意长度的序列映射到固定长度的序列
-
利用残差模块和空洞卷积来建构长期依赖关欻
-
-
目标：构建一个基于历史信息（某时间段
& 去年同期：同一段道路、确定特征日、确定时间批次）和道路属性来预测未来一周历史速度的机器学习模 -
网络架构
-
-
AI在出行场景的应用实践：路线规划、ETA、动态事件挖掘…-阿里云开发者社区 (aliyun.com)
-
路径规划
-
多目标平衡，如何在“帕累托最优”的情况下，进行多个目标之间的取舍、平衡。通过带约束的最优化问题来进行建模，保证其他指标不变差的情况下，把某个指标最优化。
-
偏置网络，解决陌生场景对导航依赖很重，很难决策哪条路线更好，导致首推路线选择率高。
-
优化的主要目标是实走覆盖率。
-
用户偏置网络，把路线排序的顺序，以及引导路线之间的相似度信息输入进去，期望尽可能消除掉偏置带来的影响。
-
-
TDR 求路算法提供随时间推演的能力。比如 8:00 从起点出发，后面要走 1 2 3 …n 条路到达目的地，假设 8:10 走到第 2 条道路，8:20 走到第 3 条道路，那么我们在 8:00 计算 Shortcuts 的时候，就不能只用到 8:00 的路况，需要把后续进入某个道路的时刻考虑进来，用那个时刻的路况来计算
-
-
交通事件抽取-对比知识蒸馏模型 LRC-BERT AAAI2021
-
饿了么
美团
-
[[深度学习在美团配送ETA预估中的探索与实践]]：提到挺多 eta 相同的算法和工程细节问题，值得仔细读一读。
-
[[@A Deep Learning Method for Route and Time Prediction in Food Delivery Service]]
-
[[@ETA Prediction with Graph Neural Networks in Google Maps]]
-
[[@BusTr: Predicting Bus Travel Times from Real-Time Traffic]]
Uber
-
[[@DeeprETA: An ETA Post-processing System at Scale]]
-
个人笔记：【Uber ETA】DeeprETA An ETA Post-processing System at Scale - 算法花园 (xiang578.com)
-
How Uber Predicts Arrival Times - Xinyu Hu and Olcay Cirit | Stanford MLSys #64 - YouTube：从两个方面介绍他们的 ETA 系统：how we make it faster 以及 how we make it general(loss 和 calibration)
-
DeepETA: How Uber Predicts Arrival Times Using Deep Learning | Uber Blog
-
Day 17 Uber 要如何估計司機和外送的抵達時間？（上）- Self attention 介紹：简单讲了 self-attention 的计算过程
-
Day 18 Uber 要如何估計司機和外送的抵達時間？（下）- DeeprETANet
-
geospatial features
-
geohashing 转成 string
-
用 multiple feature hashing 转成 index
-
-
-