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
[[@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
- 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
- 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]]
[[@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