滴滴 - eta（Estimate the Travel Time）

本文主要是介绍滴滴 - eta（Estimate the Travel Time），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

- 1 Learning to Estimate the Travel Time，2018
- 2 Multi-task Representation Learning for Travel Time Estimation，2018

ETA - Estimate the Travel Time，耗时估计，通行时间估计，到达时间估计

资料：

论文概述：

服务整体架构如下图：
在这里插入图片描述

算法演进路径

传统方法：通行时间=每段路的时间+红绿灯时间。这种基于规则的，局限性大。
转化为回归问题：回归模型上，滴滴先后考虑过两种在业界比较流行的模型，Tree Based model 和 Factorization Machine。但是回归模型受输入限制，使用的是统计信息，无法利用道路的详细信息。
本文的回归问题+深度学习：最大化信息的无损，模型看对 link 序列信息的建模。

模型整体结构如下图：
在这里插入图片描述

特征：

spatial information：
- 先将轨迹匹配到路网，得到路段和交叉路口。
- 然后提取特征，比如路段有长度，宽度，道路等级，车道数，道路在路网编号等信息,还有经过的POIs兴趣点信息。
temporal information：
- a year, a month and a day, the holiday indicator and rush hour indicator,
traffic information
- We build a traffic monitor and prediction system that provides us the real-time traffic speed estimation in each road segment in the traffic network in every two minutes。每2分钟更新一下。
- such as the real-time estimated speed, the average speed and free-flow speed, et al.
personalized information：
- 不同的人有不同的行驶习惯，会提取driver profile, rider profile and vehicle profile等特征。
- 比如司机有新手，老手；车有电动车，燃油车，货车等；骑手有自行车，电动自行车等。
augmented information:
- 其他辅助信息，比如 the weather information and traffic restriction, et al.
  总维度：上百各类别特征，共上百万个维度。
  After sophisticated feature engineering, we obtain a set of features in hundreds of categories and millions of dimensions.

概述：

模型整体结构如下：
在这里插入图片描述

整体结构：非监督图embedding + Link embedding network + spatial embedding network +temporal embedding network + 其他特征 -> 深度残差网络 -> 得到结果
This model produces meaningful representation that preserves various trip properties in the real-world and at the same time leverages the underlying road network and the spatiotemporal prior knowledge.

Further-more, we propose a multi-task learning framework to utilize the path information of historical trips during the training phase which boosts the performance.