[论文解读] Origin-Destination Travel Time Oracle for Map-based Services

Lin Yan, Huaiyu Wan+5 more|arXiv (Cornell University)|Jul 6, 2023

Traffic Prediction and Management Techniques被引用 5

一句话总结

本文提出DOT，一种用于构建出行起点-终点行程时间数据库（ODT-Oracle）的两阶段框架，该框架利用历史轨迹实现准确且可解释的行程时间估计。它采用条件化像素化轨迹（PiT）去噪器来推断代表性行程路径，同时过滤异常值，随后通过掩码视觉Transformer（MViT）进行精确的行程时间估计，在真实世界数据集上，其在准确性、可扩展性和可解释性方面均优于基线模型。

ABSTRACT

Given an origin (O), a destination (D), and a departure time (T), an Origin-Destination (OD) travel time oracle~(ODT-Oracle) returns an estimate of the time it takes to travel from O to D when departing at T. ODT-Oracles serve important purposes in map-based services. To enable the construction of such oracles, we provide a travel-time estimation (TTE) solution that leverages historical trajectories to estimate time-varying travel times for OD pairs. The problem is complicated by the fact that multiple historical trajectories with different travel times may connect an OD pair, while trajectories may vary from one another. To solve the problem, it is crucial to remove outlier trajectories when doing travel time estimation for future queries. We propose a novel, two-stage framework called Diffusion-based Origin-destination Travel Time Estimation (DOT), that solves the problem. First, DOT employs a conditioned Pixelated Trajectories (PiT) denoiser that enables building a diffusion-based PiT inference process by learning correlations between OD pairs and historical trajectories. Specifically, given an OD pair and a departure time, we aim to infer a PiT. Next, DOT encompasses a Masked Vision Transformer~(MViT) that effectively and efficiently estimates a travel time based on the inferred PiT. We report on extensive experiments on two real-world datasets that offer evidence that DOT is capable of outperforming baseline methods in terms of accuracy, scalability, and explainability.

研究动机与目标

• 为解决地图服务中因相同起点-终点对和出发时间存在异常轨迹而导致行程时间估计不准确的问题。
• 通过建模历史轨迹中的时空相关性，提升ODT-Oracle的准确性和可解释性。
• 开发一种可扩展的框架，无需详细路径信息即可推断最可能的行程路径（PiT）并估计行程时间。
• 通过学习代表性轨迹模式，降低噪声或异常轨迹对行程时间估计的影响。
• 提供一种兼具高准确率与可解释性的模型，通过可视化可解释的PiT表示实现。

提出的方法

• 提出一种条件化像素化轨迹（PiT）去噪器，从起点-终点对和出发时间推断代表性PiT（行程的空间-时间表示），学习历史轨迹与起点-终点输入之间的相关性。
• PiT去噪器作为基于扩散的模型运行，通过逐步去噪噪声化的PiT，重建出合理且对异常值不敏感的轨迹表示。
• 随后将推断出的PiT输入至掩码视觉Transformer（MViT），以建模PiT中的全局时空依赖关系，实现最终行程时间估计。
• MViT通过端到端训练，基于推断PiT中编码的空间布局和时间偏移量预测行程时间。
• 该框架在两个真实世界轨迹数据集上进行训练与评估，性能通过RMSE、MAE以及路线推断指标（精确率、召回率、F1）进行衡量。
• 该方法通过学习不同出发时间下行程模式的差异，显式处理时间变化，实现时间感知的行程时间估计。

实验结果

研究问题

• RQ1 基于扩散的模型能否有效从起点-终点对和出发时间推断出代表性行程路径（PiT），同时过滤异常轨迹？
• RQ2 推断出的PiT在多大程度上能准确捕捉不同时间段真实出行行为的空间与时间模式？
• RQ3 与使用相同PiT输入的基线模型相比，MViT组件在多大程度上提升了行程时间估计的准确性？
• RQ4 所提出的框架是否在准确性、可扩展性和可解释性方面均优于现有ODT-Oracle方法？
• RQ5 当历史轨迹存在显著差异时，该模型在未见起点-终点对和出发时间上的泛化能力如何？

主要发现

• DOT在路线推断任务中达到最先进性能，在成都数据集上F1得分为88.280%，在哈尔滨数据集上为88.584%，显著优于Dijkstra（42.065%）和DeepST（56.911%）。
• 行程时间估计的RMSE显著低于基线模型，模型在两个数据集上均表现出高精度，表明对轨迹变化具有强鲁棒性。
• PiT推断阶段有效去除了异常轨迹：在案例研究中，即使四条轨迹中有一条显著更长（35分钟 vs. 15分钟），模型仍能正确推断出干净的PiT，避免估计结果被污染。
• 推断出的PiT在不同时间段内与真实行程时间高度吻合，图12显示模型能以高保真度捕捉随时间变化的交通状况。
• MViT组件能够高效且准确地建模PiT中的全局时空依赖关系，相比基于路径或平均值的方法，显著提升了行程时间预测性能。
• 通过可视化可解释的PiT，模型的可解释性得到增强，为给定查询提供了直观、可解释的最可能行程路径表示。