摘要：隨著智慧交通的興起，人們對高效率出行的需求日益增加，因而尋求更優(yōu)秀的模型來估計(jì)車輛行駛時間成為首要任務(wù)。由于交通系統(tǒng)有較強(qiáng)的非線性，并且受天氣、時間等多種因素影響，綜合考慮歷史車流量信息和當(dāng)前路況，提出了一種基于表示學(xué)習(xí)的多模態(tài)擬舍模型。將車輛行駛時間估計(jì)（ETA）問題視為一個基于一組合有大量有效特征的純時空序列的回歸問題，分別采用不同的機(jī)器學(xué)習(xí)模型來解決每一部分的回歸問題。通過滴滴出行的數(shù)據(jù)來訓(xùn)練模型，充分利用SDNE（Structure Deep Network Emhedding）、LSTM（Long Short-Term Memory）、xDeepFM（eXtreme Deep Factorization Machine）算法的各自優(yōu)勢，最后的對比實(shí)驗(yàn)表明，提出的模型優(yōu)于傳統(tǒng)的深度學(xué)習(xí)算法。

關(guān)鍵詞：智慧交通；表示學(xué)習(xí)；多模態(tài)擬合；機(jī)器學(xué)習(xí)

中圖分類號：TP391.9 文獻(xiàn)標(biāo)識碼：A

近年來，智慧交通的發(fā)展正在改變、影響著人們的出行方式，人們開始習(xí)慣了出門時軟件中提示的車輛到達(dá)時間和路徑規(guī)劃，滴滴出行、高德地圖等眾多出行軟件幫助人們更高效地到達(dá)目的地，節(jié)約出行時間、降低出行成本，隨著用戶數(shù)量的增多和用戶需求的增加，精確處理龐大的車輛行程時間估計(jì)（ETA）請求成了研發(fā)熱點(diǎn)。精確處理ETA請求是出行軟件為用戶提供高質(zhì)量出行服務(wù)的保障之一。

針對此問題，越來越多的學(xué)者和科學(xué)工作者開始關(guān)注道路擁堵的解決方案，投入了前沿的技術(shù)并針對ETA預(yù)測算法提出了種種優(yōu)化，獲得了許多成果。2016年，谷歌首先提出并研究開發(fā)了Wide＆Deep模型，兼具了邏輯回歸和深度神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，為后來推薦系統(tǒng)的很多模型奠定了基礎(chǔ)。2018年，Wang等最早提出了基于深度學(xué)習(xí)的車輛到達(dá)時間預(yù)測算法DeepTTE （Deep TemporalTrajectory Embedding），采用多任務(wù)學(xué)習(xí)的方式訓(xùn)練，使用卷積神經(jīng)網(wǎng)絡(luò)捕獲軌跡的位置信息，同時將語義信息編碼后與各個路段位置信息拼接，通過LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測各個路段所需時間及總時間，通過調(diào)整兩者比例以獲得較好的預(yù)測效果。2018年，Z hang等提出Deep Travel算法，首次采用網(wǎng)格圖的方式編碼軌跡，將軌跡分解為網(wǎng)格序列并拼接編碼后的其他語義信息，依次輸入BiLSTM （Bidirectional Long Short-Term Memory）獲取軌跡的表示向量，避免了軌跡序列過長導(dǎo)致的信息丟失。Wang等提出WDR（ Wide Dynamic Range）算法，首次采用推薦系統(tǒng)算法WD （Wideamp;Deep Learning）與LSTM相結(jié)合的方式預(yù)測車輛到達(dá)目的地所需時間。Wide部分、Deep模型、RNN （Recurrent Neural Network）分別提取出對應(yīng)的軌跡信息，拼接后使用全連接網(wǎng)絡(luò)輸出到達(dá)目的地所需時間}該算法已被滴滴出行用于預(yù)測出租車到達(dá)目的地所需時間。2020年，Shen等提出TTPNet（Travel Time Predict Network）算法。將所有軌跡序列嵌入網(wǎng)格圖中，利用張量分解算法恢復(fù)各個網(wǎng)格th內(nèi)的速度信息，獲取網(wǎng)絡(luò)節(jié)點(diǎn)表示信息后拼接其他語義信息并輸入BiLSTM網(wǎng)絡(luò)，得到預(yù)測結(jié)果。2019年，Li等提出為不同功能區(qū)域定制不同的預(yù)測模型。2020年，Li等提出了一種新的時空融合圖神經(jīng)網(wǎng)絡(luò)（STFGNN）用于交通流預(yù)測，有效地學(xué)習(xí)了隱藏關(guān)系。2021年，Hui等提出使用空間注意力機(jī)制來自適應(yīng)地捕獲不同路段之間的動態(tài)相關(guān)性。2022年，Ji等首次提出使用神經(jīng)網(wǎng)絡(luò)配合物理約束和復(fù)雜動力學(xué)來進(jìn)行交通流量預(yù)測。2022年，Yang等考慮到研究對象之間互動的影響，提出了一種基于時空圖的卷積網(wǎng)絡(luò)算法進(jìn)行有效預(yù)測。

上述這些文獻(xiàn)通過對算法本身進(jìn)行優(yōu)化提升最終的預(yù)測準(zhǔn)確度，但是由于道路信息、車輛情況復(fù)雜且實(shí)時變化，僅僅靠優(yōu)化算法是不夠的，利用傳統(tǒng)的方法和單一的框架來預(yù)測結(jié)果依舊不夠理想，因此本文分別為路網(wǎng)信息模塊、車輛軌跡模塊、其他離散語義信息模塊和預(yù)測模塊選用不同的算法來提高準(zhǔn)確度，提出了一種基于表示學(xué)習(xí)的機(jī)器學(xué)習(xí)算法模型，用以預(yù)測車輛沿某路線到達(dá)目的地所需時間。

1模型設(shè)計(jì)

1.1特征提取

滴滴出行等應(yīng)用程序的廣泛使用使得每天都會產(chǎn)生大量的車流量數(shù)據(jù)，較為復(fù)雜、冗余的原始信息難以直接輸入神經(jīng)網(wǎng)絡(luò)，且不加篩選地輸入信息會使訓(xùn)練結(jié)果較差，因此為了保證模型的準(zhǔn)確性和有效性，筆者首先為基于位置的系統(tǒng)建立高維特征映射。并把出行過程中的特征信息歸納為以下幾類；空間信息，時間信息、交通信息、其他離散語義信息。

空間信息。出行所需的時間長短與駕駛車輛途經(jīng)城市的主要路線長度和其地理區(qū)域大小密切相關(guān)。因此，需要抽象實(shí)際中的城市主要道路信息，提取出路網(wǎng)信息序列的空間特征集。城市路網(wǎng)信息系統(tǒng)一般由多條城市道路、路口信息和實(shí)時交通信號數(shù)據(jù)組成，可以通過進(jìn)一步分類將其抽象化為有向帶權(quán)圖，筆者首先將出行的車輛軌跡信息映射到基礎(chǔ)道路網(wǎng)絡(luò)結(jié)構(gòu)中，得到各路段和各交叉口信息的序列。然后提取出構(gòu)成路網(wǎng)的所有構(gòu)件的特征信息，如主要道路、十字路口和各類交通信號燈等等。此外，筆者還進(jìn)一步提取計(jì)算了特定區(qū)域范圍內(nèi)道路的相關(guān)信息點(diǎn)，以便更準(zhǔn)確的表示路網(wǎng)空間信息，更好地對出行時間進(jìn)行預(yù)測。

時間信息。出行選擇的時間段往往是直接影響車輛總體旅程時間的另一個關(guān)鍵因素；例如，同樣一條路線，高峰期出行的時間花費(fèi)就比其余時間段要多；商業(yè)區(qū)附近的路段，周末時的出行時間會大于平常工作日時間段。因此，筆者以幾種不同的時間特征值來表示該旅程中的實(shí)際出發(fā)時間，包括每天的時間段、假日指標(biāo)和高峰時間指標(biāo)等。

交通信息。道路網(wǎng)絡(luò)中的交通狀況直接影響出行路線的選擇和出行時間。因此，筆者利用ACM SIGSPATIAL 2021 GISCUP比賽中的實(shí)時交通動態(tài)系統(tǒng)數(shù)據(jù)，每5 min即可為實(shí)驗(yàn)提供交通路網(wǎng)模型中對每個路段的實(shí)時交通速度估計(jì)。然后，筆者在特征圖中分別為每個劃分的路段使用這幾種類型的旅行速度，如實(shí)時估計(jì)的速度、平均速度和自由流速度等。

其他離散語義信息。除了上面列舉的信息外，還存在一些語義信息會影響出行路線的選擇和出行時間，例如；個性化信息、軌跡總長度、出發(fā)時間、天氣狀況、氣溫。不同的司機(jī)可能對路線選擇有不同的偏好，且開車習(xí)慣會有較大差別，因此，筆者在其他離散語義信息中引入個性化信息，將每一個用戶與其駕駛車輛的車牌號相對應(yīng)，通過車牌號來記憶每一位用戶的駕駛偏好，以便根據(jù)其偏好推薦不同的行駛路線。此外，對于天氣狀況，筆者將其分為1-5個級別，同時記錄星期數(shù)、最高氣溫和最低氣溫。所要求提取對象的連續(xù)特征一般包括實(shí)數(shù)值、離散值特征等多種形式組合的特征。最后，整理分析了收集到的特征信息，發(fā)現(xiàn)最終共獲得了數(shù)百個類別和數(shù)百萬個維度中的一組特征。