Link Representation Learning for Probabilistic Travel Time Estimation

本文旨在解决导航应用和网络地图服务中旅行时间估计的问题。目前的确定性和概率方法主要集中在建模单个旅程，假设旅程之间独立。然而，在实际情况下，由于天气条件、交通管理和道路工程等因素，我们经常观察到强烈的旅程间相关性。因此，本文提出使用高斯分层模型来建模旅程级联行驶时间，该模型可以描述旅程间和旅程内的相关性。多个旅程的行驶时间的联合分布成为一个由可学习的链接表示参数化的多元高斯分布。为了有效利用稀疏的GPS轨迹，我们还提出了一种基于旅程子采样的数据增强方法，允许在学习链接表示时进行细粒度的梯度反向传播。在推断过程中，我们估计查询旅程的行驶时间的概率分布，条件是已经完成的旅程在时空上相邻。我们将整个框架称为ProbTTE。我们在两个真实的GPS轨迹数据集上评估了ProbTTE，并且结果表明，与最先进的确定性和概率基线相比，ProbTTE具有更优越的性能。此外，我们发现所学的链接表示与网络的物理几何形状非常吻合，使它们适用于其他应用。

本文旨在解决旅行时间估计中存在的强烈的行程间相关性问题，提出了一种基于高斯分层模型的方法，可以同时考虑行程内和行程间的相关性。

本文提出了ProbTTE框架，使用高斯分层模型建模行程级别的链接旅行时间，并使用基于行程子采样的数据增强方法，来有效地使用稀疏的GPS轨迹数据。

本文在两个真实的GPS轨迹数据集上评估了ProbTTE的性能，并与现有的确定性和概率基线进行了比较。实验结果表明，ProbTTE具有更好的性能。此外，本文发现学习到的链接表示与网络的物理几何结构相吻合，这使它们适用于其他应用。

与本文相关的研究包括：1. 基于神经网络的旅行时间预测方法；2. 基于贝叶斯方法的旅行时间概率预测方法。