在交通监控，路线规划等研究中，估算城市中任何路径（由一系列连接的路段表示）的行程时间非常重要。但是，这是一个非常具有挑战性的问题，受到各种复杂因素影响，包括空间相关性，时间依赖性，外部条件（如天气，交通信号灯）。 先前的工作通常侧重于估计各个路段或子路径的行程时间，然后总结这些时间，这导致估计不准确，因为这些方法不考虑复杂交通情况，并且可能累积局部误差。为了解决这些问题，论文中提出了一个端到端的深度学习路径时间估算框架（称为DeepTTE），它直接估算整条路径的消耗时间。更具体地说，论文通过将地理信息集成后，进行地理卷积运算，能够捕获空间相关性。通过在地理卷积层上堆叠循环单元，DeepTTE也可以捕获时间依赖性。在DeepTTE的顶部给出了一个多任务学习组件，它学习在训练阶段同时估计整个路径和每个子路径的传播时间。对两个轨迹数据集的广泛实验表明，DeepTTE显着优于最先进的方法。

附件: 基于深度神经网络估算路程时间.zip [登录 后查看]