[论文解读] Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach

Wuwei Lan, Yanyan Xu+1 more|arXiv (Cornell University)|Jul 8, 2019

Traffic Prediction and Management Techniques参考文献 15被引用 5

一句话总结

该论文提出 DeepI2T，一种端到端的多任务深度学习模型，直接从城市形态布局图像中估计出行时间——无需依赖道路网络或地图匹配——通过学习基于网格的建筑环境视觉表示中的时空模式。该模型在真实世界数据集（上海和波尔图）上实现了最先进性能，无论是在路径感知还是路径盲设的出行时间估计场景中均表现出色。

ABSTRACT

Travel time estimation is a crucial task for not only personal travel scheduling but also city planning. Previous methods focus on modeling toward road segments or sub-paths, then summing up for a final prediction, which have been recently replaced by deep neural models with end-to-end training. Usually, these methods are based on explicit feature representations, including spatio-temporal features, traffic states, etc. Here, we argue that the local traffic condition is closely tied up with the land-use and built environment, i.e., metro stations, arterial roads, intersections, commercial area, residential area, and etc, yet the relation is time-varying and too complicated to model explicitly and efficiently. Thus, this paper proposes an end-to-end multi-task deep neural model, named Deep Image to Time (DeepI2T), to learn the travel time mainly from the built environment images, a.k.a. the morphological layout images, and showoff the new state-of-the-art performance on real-world datasets in two cities. Moreover, our model is designed to tackle both path-aware and path-blind scenarios in the testing phase. This work opens up new opportunities of using the publicly available morphological layout images as considerable information in multiple geography-related smart city applications.

研究动机与目标

• 解决在不依赖显式道路网络数据或地图匹配的情况下，城市环境中出行时间估计的挑战。
• 探究形态布局图像（代表土地利用、建筑密度和基础设施）是否可作为交通拥堵和出行延误的有效代理。
• 开发一种统一的深度学习模型，能够使用视觉城市形态处理路径感知与路径盲设的出行时间查询。
• 通过捕捉单个网格单元内的异质性交通状况，提升高峰拥堵时段的估计精度。
• 利用公开的卫星图像和街景图像，实现可扩展、数据高效的出行时间预测。

提出的方法

• 该模型通过将城市区域划分为网格单元，将每个单元表示为源自卫星或街景视图的形态布局图像。
• 采用卷积神经网络（CNN）编码器从布局图像中提取空间特征，捕捉土地利用模式、道路密度和城市结构。
• 时间建模组件（如 RNN 或 Transformer）处理网格级表示序列，以建模路径上的出行动态。
• 模型在多任务学习框架下端到端训练，联合优化出行时间预测与辅助任务（如拥堵水平估计）。
• 对于路径盲设查询，采用邻近行程解决方案，基于起点-终点的接近度和布局相似性推断合理路径。
• 模型在每个网格单元中集成行驶方向信息，以区分同一空间单元内单向与双向交通状况。

实验结果

研究问题

• RQ1 形态布局图像（代表城市形态与建成环境）是否可作为交通拥堵与出行延误的可靠代理？
• RQ2 仅基于布局图像训练的端到端深度学习模型，在出行时间估计中，其性能在多大程度上优于传统的基于道路网络或轨迹的模型？
• RQ3 单一模型在无显式路径数据的情况下，能否在路径感知与路径盲设出行时间估计场景中均实现良好泛化？
• RQ4 基于布局的表示是否能有效捕捉单个网格单元内的异质性交通状态，例如不同道路方向上的拥堵差异？
• RQ5 在高峰交通时段，该模型是否能保持稳健性能，而传统模型通常在此类时段性能下降？

主要发现

• 在上海晚高峰期间，DeepI2T 的平均绝对百分比误差（MAPE）为 15.75%，在路径感知设置下优于 DeepTTE（20.15%）和 GridLSTM（17.95%）。
• 在路径盲设估计中，DeepI2T 在上海早高峰期间的成功率（SR）达到 27.29%，优于 TEMP（24.15%），并接近路径感知基线模型的性能。
• 在晚高峰期间，DeepI2T 在路径感知估计中的成功率达到 41.37%，显著优于 DeepTTE（29.08%）和 GridLSTM（34.62%）。
• 该模型在不同长度行程中均保持稳定性能，误差方差低于 DeepTTE，后者在长距离行程中性能显著下降。
• MAPE 的训练与评估曲线高度一致，表明模型在训练过程中具有良好的泛化能力且过拟合程度极低。
• 尽管缺乏道路网络数据，该模型仍表现出具有竞争力的性能，在两个真实世界数据集上实现了最先进结果，且无需地图匹配或显式路径规划。