【KDD2020】百度地图上用于估计旅行时间的上下文时空图注意网络

论文专栏： 时空图神经网络在出行时间预估问题的应用

论文解读者： 北邮GAMMA Lab 硕士生 王浩

题目： 百度地图上用于估计旅行时间的上下文时空图注意网络

会议： KDD 2020

论文地址： https://dl.acm.org/doi/pdf/10.1145/3394486.3403320

推荐理由： 本文提出了一个名为ConSTGAT的计算效率高的旅行时间估计框架，联合交通预测和上下文信息。区别于滴滴在KDD2020提出的HetETA方法，在模型设计上ConSTGAT通过借鉴基于分段的方法，采用多任务学习来提高计算效率。对于大规模的现实服务来说，它是一个实用而健壮的解决方案。

1 引言 出行时间估计任务(TTE)是对给定路线和出发时间的出行时间进行估计，在导航、路线规划和叫车服务等智能交通系统中发挥着重要作用。TTE具有挑战性，因为它存在很多方面会影响估计的准确性，如交通预测和路线的上下文信息(如交通灯和弯道)。目前存在的出行时间估计主要分为基于分段的方法与端对端的方法。基于分段的方法独立估计路线中每一个路段，但是忽略了上下文信息，端对端的方法考虑了上下文信息，采用序列编码结构将路线中的所有路段作为一个整体，但是计算量过大，不满足实际应用场景的需求。

本文提出了一个名为ConSTGAT的端到端的神经网络框架，该框架集成了交通预测和上下文信息，同时还借鉴了基于路段的方法，该方法通过并行和提前计算每个路段的出行时间，保持了很高的推理效率。它已经在百度地图上投入使用，每天成功地处理数百亿的请求。