基于表示学习的车辆到达时间预测

• 作者: 李昕彤 李茂源 陈茜雅 司浩田 东北林业大学奥林学院
• 来源期刊: 计算技术与自动化
• 学科: 交通运输
• 关键词: 智慧交通;表示学习;多模态拟合;机器学习
• 年，卷（期）: 2025,（4）
• 页码范围: 141-145
• 页数: 5页
• 语种: 中文
• DOI: 10.16339/j.cnki.jsjsyzdh.202404023

摘要

随着智慧交通的兴起，人们对高效率出行的需求日益增加，因而寻求更优秀的模型来估计车辆行驶时间成为首要任务。由于交通系统有较强的非线性，并且受天气、时间等多种因素影响，综合考虑历史车流量信息和当前路况，提出了一种基于表示学习的多模态拟合模型。将车辆行驶时间估计(ETA)问题视为一个基于一组含有大量有效特征的纯时空序列的回归问题，分别采用不同的机器学习模型来解决每一部分的回归问题。通过滴滴出行的数据来训练模型，充分利用SDNE (Structure Deep Network Embedding)、LSTM (Long Short-Term Memory)、xDeepFM (eXtreme Deep Factorization Machine)算法的各自优势，最后的对比实验表明，提出的模型优于传统的深度学习算法。