
摘要
本文提出了一种基于Transformer的新模型,用于解决行程时间预测问题。所提出的GCT-TTE架构的核心特点在于,充分利用了能够捕捉输入路径不同特性的多种数据模态。在对模型配置进行深入研究的基础上,本文实现了多种实际基线模型,并分别在考虑路径信息(path-aware)与不考虑路径信息(path-blind)的设置下进行了充分的实验与评估。计算实验结果验证了该方法的有效性,其在两个基准数据集上均优于现有最先进模型。此外,GCT-TTE已部署为一个可访问的网络服务,用户可自定义路线进行后续实验。
代码仓库
eighonet/gct-tte
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| travel-time-estimation-on-tte-a-o | WDR | Root mean square error (RMSE): 190.09 mean absolute error: 97.22 |
| travel-time-estimation-on-tte-a-o | DeepI2T | Root mean square error (RMSE): 201.33 mean absolute error: 97.99 |
| travel-time-estimation-on-tte-a-o | DeepTTE | Root mean square error (RMSE): 174.56 mean absolute error: 111.03 |
| travel-time-estimation-on-tte-a-o | DeepIST | Root mean square error (RMSE): 241.29 mean absolute error: 153.88 |
| travel-time-estimation-on-tte-a-o | GCT-TTE | Root mean square error (RMSE): 147.89 mean absolute error: 92.26 |