SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation

要約

正確な移動時間の見積もりは、ナビゲーションや旅程の計画に不可欠です。
既存の研究では確率モデリングを採用して旅行時間の不確実性を評価し、複数の旅行間の相関関係を説明していますが、複数の旅行の旅行時間分布の時間的変動をモデル化することは依然として大きな課題です。
同時分布の進化を捉えるには、大規模でよく整理されたデータセットが必要です。
ただし、現実世界の旅行データは、多くの場合、時間的にまばらで、空間的に不均一に分布しています。
この問題に対処するために、我々は、断片化された観測による時空間確率過程回帰問題として推定タスクを定式化することにより、マルチトリップ旅行時間の進化する同時分布をモデル化する時空間確率フレームワークである SPTTE を提案します。
SPTTE には、RNN ベースの時間ガウス プロセス パラメーター化が組み込まれており、まばらな観測を正規化し、時間依存関係をキャプチャします。
さらに、事前ベースの不均一性平滑化戦略を採用して、不均一に分布したトリップによって引き起こされる信頼性の低い学習を修正し、まばらで不均一なデータ分布の下での時間変動を効果的にモデル化します。
現実世界のデータセットの評価では、SPTTE が最先端の決定論的および確率論的な手法より 10.13% 以上優れていることが実証されています。
アブレーションの研究と視覚化により、モデル コンポーネントの有効性がさらに確認されます。

要約(オリジナル)

Accurate travel time estimation is essential for navigation and itinerary planning. While existing research employs probabilistic modeling to assess travel time uncertainty and account for correlations between multiple trips, modeling the temporal variability of multi-trip travel time distributions remains a significant challenge. Capturing the evolution of joint distributions requires large, well-organized datasets; however, real-world trip data are often temporally sparse and spatially unevenly distributed. To address this issue, we propose SPTTE, a spatiotemporal probabilistic framework that models the evolving joint distribution of multi-trip travel times by formulating the estimation task as a spatiotemporal stochastic process regression problem with fragmented observations. SPTTE incorporates an RNN-based temporal Gaussian process parameterization to regularize sparse observations and capture temporal dependencies. Additionally, it employs a prior-based heterogeneity smoothing strategy to correct unreliable learning caused by unevenly distributed trips, effectively modeling temporal variability under sparse and uneven data distributions. Evaluations on real-world datasets demonstrate that SPTTE outperforms state-of-the-art deterministic and probabilistic methods by over 10.13%. Ablation studies and visualizations further confirm the effectiveness of the model components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google