Link Representation Learning for Probabilistic Travel Time Estimation

要約

移動時間の推定は、ナビゲーション アプリや Web マッピング サービスにおける重要なアプリケーションです。
現在の決定論的および確率論的な方法は、主に、旅行間の独立性を前提として、個々の旅行をモデル化することに焦点を当てています。
ただし、現実のシナリオでは、気象条件、交通管理、道路工事などの要因により、旅行間の強い相関関係が観察されることがよくあります。
この論文では、旅行間および旅行内の両方の相関関係を特徴付けることができるガウス階層モデルを使用して旅行レベルのリンク旅行時間をモデル化することを提案します。
複数の旅行の移動時間の結合分布は、学習可能なリンク表現によってパラメーター化された多変量ガウス分布になります。
まばらな GPS 軌跡を効果的に使用するために、リンク表現の学習においてきめの細かい勾配バックプロパゲーションを可能にする、トリップ サブサンプリングに基づくデータ拡張方法も提案します。
推論中に、時空間的に隣接する完了した旅行を条件として、クエリされた旅行の旅行時間の確率分布を推定します。
この全体的なフレームワークを ProbTTE と呼びます。
私たちは 2 つの現実世界の GPS 軌道データセットで ProbTTE を評価し、その結果は、最先端の決定論的ベースラインと確率論的ベースラインと比較して、その優れたパフォーマンスを実証しました。
さらに、学習されたリンク表現がネットワークの物理的形状とよく一致しており、他のアプリケーションへの入力として適していることがわかりました。

要約(オリジナル)

Travel time estimation is a crucial application in navigation apps and web mapping services. Current deterministic and probabilistic methods primarily focus on modeling individual trips, assuming independence among trips. However, in real-world scenarios, we often observe strong inter-trip correlations due to factors such as weather conditions, traffic management, and road works. In this paper, we propose to model trip-level link travel time using a Gaussian hierarchical model, which can characterize both inter-trip and intra-trip correlations. The joint distribution of travel time of multiple trips becomes a multivariate Gaussian parameterized by learnable link representations. To effectively use the sparse GPS trajectories, we also propose a data augmentation method based on trip sub-sampling, which allows for fine-grained gradient backpropagation in learning link representations. During inference, we estimate the probability distribution of the travel time of a queried trip conditional on the completed trips that are spatiotemporally adjacent. We refer to the overall framework as ProbTTE. We evaluate ProbTTE on two real-world GPS trajectory datasets, and the results demonstrate its superior performance compared to state-of-the-art deterministic and probabilistic baselines. Additionally, we find that the learned link representations align well with the physical geometry of the network, making them suitable as input for other applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google