基于表示学习的车辆到达时间预测

摘要

随着智慧交通的兴起，人们对高效率出行的需求日益增加，因而寻求更优秀的模型来估计车辆行驶时间成为首要任务。由于交通系统有较强的非线性，并且受天气、时间等多种因素影响，综合考虑历史车流量信息和当前路况，提出了一种基于表示学习的多模态拟合模型。将车辆行驶时间估计(ETA)问题视为一个基于一组含有大量有效特征的纯时空序列的回归问题，分别采用不同的机器学习模型来解决每一部分的回归问题。通过滴滴出行的数据来训练模型，充分利用SDNE (Structure Deep Network Embedding)、LSTM (Long Short-Term Memory)、xDeepFM (eXtreme Deep Factorization Machine)算法的各自优势，最后的对比实验表明，提出的模型优于传统的深度学习算法。

关键词

智慧交通 / 表示学习 / 多模态拟合 / 机器学习