【每周论文】20210110-BusTr_ConSTGAT_HetETA

BusTr: Predicting Bus Travel Times from Real-Time Traffic

https://dl.acm.org/doi/10.1145/3394486.3403376

KDD’20

1. 概述

本文提出了一个机器学习模型-BusTr，模型基于“实时交通”+“时空上下文”数据，实现对“公交旅行时间”的预测。模型期望通过尽可能易得的数据，以适应不同质量的数据来源，从而可以面向全球尺度提供服务。因此，本文尤其关注模型的泛化能力，并在样本、特征、训练细节等方面做了很多工作。最后，本文通过多组实验论证了方法的有效性和泛化能力，尤其是和SOTA方法DeepTTE做对比。

2. 本文与历史工作的区别

• 模型重点考虑了”泛化“问题，对于训练数据集中没出现过的城市也要有预测能力。
• 模型使用了严格的特征集。
• 模型使用全球尺度的大数据训练。
• 模型从实时交通数据做推断。

3. 具体方法

• 数据：每个样本是一个序列，序列元素由“站点”和“路段”组成，路段由站点或交叉口断开。样本按照一系列启发式规则采样得到。

• 特征：①全局特征：公交线路ID做Embedding；曜日和半小时片分别做Embedding(其中小时的Embedding前两位用循环数值初始化)。②元素位置特征：点位(站点或路段起点)的多尺度S2Cell做Embedding后求和；③路段元素附加特征：路段长度；路段预估速度(取自GoogleMap的交通预测系统)

• 模型：

  • 整体是分段求和形式，元素是站点或路段。$\hat{T}={\sum }_{q\in Q}{\hat{t}}_q$。
  • 对站点单元，直接对“全局特征”和“站点位置特征”过全连接

• 对路段单元，预估速度$s$和距离$d$并按公式聚合，该公式表示“实时依赖”和“实时无关”的融合：$\text{Segment duration}=\alpha \frac{d}{s}+\beta d$。

• 后处理：对负数有0裁切

4. 后处理：对负数用0裁切

4. 训练细节

• Spatial input ablation：类似于dropout，对S2Cell的特征，根据不同级别配置不同的概率进行剔除，以提高泛化，且倾向粗粒度Cell；

• Feature selection：训练分为两步，第一步按照