滴滴 - eta（Estimate the Travel Time）

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

1 Learning to Estimate the Travel Time，2018

资料：

1. KDD 2018：滴滴提出WDR模型显著提升ETA预测精度
   
2. 滴滴ETA论文解读：WDR模型

论文概述：
3. 将问题看作时空回归问题
4. 本文要求给定行驶路线，然后在该路线上预测行驶时间。 下一篇论文就不要求给定行驶路线，只要知道起点终点就行。

服务整体架构如下图：

算法演进路径

1. 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。
2. 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。
3. 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：

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.

2 Multi-task Representation Learning for Travel Time Estimation，2018

概述：

• 使用了路网结构，以及先验的时空信息，也使用了Path信息
• 本文不要求指定行驶路线。只给起点终点即可。这种针对那种可能行驶路线很多的场景就比较好。

模型整体结构如下：

1. 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
2. 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.

• 给出了不同轨迹的有效表示方法，可保留轨迹的各种属性
• 此外，还利用了路网，时空等先验信息

3. 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.

• 训练阶段使用了历史轨迹的路径信息，用来提升效果。

5. pytorch开源实现地址：https://github.com/neuguotian/deep-eta-murat