eta 技术参考

持续整理中

滴滴

[[@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

[[@Learning to Estimate the Travel Time]] 2018 年KDD，Wide & Deep & RNN

[[CompactETA]] link 表达 + mlp

[[@Interpreting Trajectories from Multiple Views: A Hierarchical Self-Attention Network for Estimating the Time of Arrival]]

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

• 工业解密：百度地图背后的路线时长预估模型！

[[@SSML: Self-Supervised Meta-Learner for En Route Travel Time Estimation at Baidu Maps]]

[[@DuETA: Traffic Congestion Propagation Pattern Modeling via Efficient Graph Learning for ETA Prediction at Baidu Maps]]

[[@DuTraffic: Live Traffic Condition Prediction with Trajectory Data and Street Views at Baidu Maps]]

高德

走近高德驾车ETA（预估到达时间） (qq.com)

• 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]]
id:: 63f271b5-aa49-4212-a7c8-507109aefab5

• 预测流量
• DARTS
• [[STGCN]]
• 高德KDD2020论文解读|混合时空图卷积网络：更精准的时空预测模型 (qq.com)
• 混合时空图卷积网络：能“推导”未来路况的智能算法 (qq.com)

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)

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)

饿了么

[[@Order Fulfillment Cycle Time Estimation for On-Demand Food Delivery]]

美团

[[深度学习在美团配送ETA预估中的探索与实践]]

[[@A Deep Learning Method for Route and Time Prediction in Food Delivery Service]]

Google

[[@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]]
collapsed:: true

• 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