[论文解读] DeepTravel: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision

Hanyuan Zhang, Hao Wu+2 more|arXiv (Cornell University)|Feb 6, 2018

Traffic Prediction and Management Techniques参考文献 13被引用 23

一句话总结

DeepTravel 是一种深度学习模型，通过利用 GPS 时间戳序列的辅助监督，基于双区间损失提升精度，以估计路径行驶时间。在真实世界数据集上，其表现优于最先进方法，在上海数据集上实现了 13.3% 的 MAPE（全特征融合）。

ABSTRACT

Estimating the travel time of a path is of great importance to smart urban mobility. Existing approaches are either based on estimating the time cost of each road segment which are not able to capture many cross-segment complex factors, or designed heuristically in a non-learning-based way which fail to utilize the existing abundant temporal labels of the data, i.e., the time stamp of each trajectory point. In this paper, we leverage on new development of deep neural networks and propose a novel auxiliary supervision model, namely DeepTravel, that can automatically and effectively extract different features, as well as make full use of the temporal labels of the trajectory data. We have conducted comprehensive experiments on real datasets to demonstrate the out-performance of DeepTravel over existing approaches.

研究动机与目标

• 解决基于路段和子路径的行驶时间估计方法在建模路径级动态特性方面的局限性，并减少对时间数据的利用不足。
• 利用轨迹数据中丰富的时序标签（GPS 时间戳）以提升模型的泛化能力和精度。
• 开发一种端到端可训练的模型，以捕捉空间、时间及驾驶行为动态，实现整体路径级行驶时间预测。
• 提出一种新颖的双区间损失函数，通过中间 GPS 点的前向与后向区间预测实现辅助监督，从而增强梯度流动与表征学习。

提出的方法

• 提出一种基于 BiLSTM 的架构，配备自定义特征提取模块，整合空间嵌入、时间嵌入、驾驶状态特征以及短时和长时交通特征。
• 引入一种双区间损失函数，利用 GPS 时间戳生成的前向与后向区间预测作为辅助监督，引导主行驶时间预测任务。
• 采用多层次特征提取结构，以建模复杂动态，如交通拥堵、路口延误及驾驶行为。
• 通过组合损失函数进行端到端训练：主损失用于最终行驶时间预测，辅助损失用于中间时间区间的预测。
• 利用历史轨迹数据学习模式，无需依赖外部速度测量或启发式子路径匹配。
• 通过辅助监督实施数据增强，提升训练过程中的泛化能力与收敛速度。

实验结果

研究问题

• RQ1 来自 GPS 时间戳的辅助监督是否能提升深度学习模型在行驶时间估计中的精度？
• RQ2 将整个路径整体建模而非单独处理各路段，对预测性能有何影响？
• RQ3 不同类型特征（空间、时间、驾驶状态、交通模式）在行驶时间估计中的贡献程度如何？
• RQ4 同时使用前向与后向区间监督是否能提供优于单向监督的互补优势？
• RQ5 该模型在不同路径长度和行驶时长下表现如何，特别是在罕见或异常情况下？

主要发现

• 当使用全部特征（ST+Traf+DS）时，DeepTravel 在上海数据集上实现了 13.30% 的 MAPE，显著优于基线模型。
• 与上海数据集中无辅助监督的基线 LSTM 相比，采用双区间损失（BiLSTM dual_aux）使 MAPE 降低了 12.7%。
• 具备辅助监督的模型收敛更快且泛化能力更强，证实了时序数据增强的有效性。
• 短路径但长行驶时间（如 4km，35 分钟）的性能下降，归因于训练数据中代表性不足的罕见异常情况，如突发拥堵或怠速状态。
• 模型在大多数路径长度和时长下保持稳定性能（MAPE ≈ 0.13），仅在极端情况下出现轻微退化。
• 双区间损失优于仅前向或仅后向的辅助监督，证明两个方向提供了非冗余且互补的信息。