HSETA: A Heterogeneous and Sparse Data Learning Hybrid Framework for Estimating Time of Arrival
HSETA: A Heterogeneous and Sparse Data Learning Hybrid Framework for Estimating Time of Arrival
复制标题
HSETA：用于估计到达时间的异构稀疏数据学习混合框架
DOI：
10.1109/tits.2022.3170917
复制
发表时间：
2022-11
影响因子：
8.5
通讯作者：
Deng Min
中科院分区：
文献类型：
--
作者：
Chen Kaiqi;Chu Guowei;Yang Xuexi;Shi Yan;Lei Kaiyuan;Deng Min
预计到达时间（ETA）在智能交通系统中起着至关重要的作用，并已被广泛用作乘车平台的基本服务。由于现实世界地理和交通环境的复杂性，获得精确的ETA是一项具有挑战性的任务。以前的工作遭受异构稀疏数据学习和多相关提取问题。因此，本文提出了一种混合深度学习框架（HSETA），用于从海量数据中估计车辆行驶时间。首先，我们对异构数据进行编码，以表示不同方面的各种特征。然后，我们开发了一个集成因式分解机块（EFMB）结构结合门控递归单元（GRU）和多层感知器（MLP）提取信息的稀疏和密集的功能。接下来，我们提出的多相关学习块（MCLB）结构被用来聚合基于多个相关性的信息。最后，旅行时间可以通过简单回归来估计。我们对两个真实世界数据集的广泛评估表明，HSETA显著优于所有基线。HSETA的PyTorch实现和示例数据可在https://github.com/LouisChenki/HSETA上获得
The estimated time of arrival (ETA) plays a vital role in intelligent transportation systems and has been widely used as a basic service in ride-hailing platforms. Obtaining a precise ETA is a challenging task due to the complexity of the real-world geographic and traffic environments. Previous works suffer from heterogeneous sparse data learning and multiple-correlation extraction issues. Therefore, this paper presents a hybrid deep learning framework (HSETA) to estimate the vehicle travel time from massive data. First, we encode heterogeneous data to represent various features in different respects. Then, we develop an ensemble factorization machine block (EFMB) structure combined with gated recurrent unit (GRU) and multilayer perceptron (MLP) to extract information from sparse and dense features. Next, the multiple-correlation learning block (MCLB) structure that we propose is utilized to aggregate information based on multiple correlations. Finally, the travel time can be estimated by simple regression. Our extensive evaluations on two real-world datasets show that HSETA significantly outperforms all baselines. Our PyTorch implementation of HSETA and sample data are available at https://github.com/LouisChenki/HSETA
登录
查看更多内容
DOI：
10.1145/2939672.2939754
发表时间：
2016-08
期刊：
KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
Grover A;Leskovec J
通讯作者：
Leskovec J
DOI：
10.1109/icassp39728.2021.9414054
发表时间：
2020-06
期刊：
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
影响因子：
--
作者：
Yiwen Sun;Yulu Wang;Kun Fu;Zheng Wang;Ziang Yan;Changshui Zhang;Jieping Ye
通讯作者：
Yiwen Sun;Yulu Wang;Kun Fu;Zheng Wang;Ziang Yan;Changshui Zhang;Jieping Ye
影响因子：
3.6
作者：
Ge Guo;W. Yuan;Jinyuan Liu;Yisheng Lv;Wei Liu
通讯作者：
Ge Guo;W. Yuan;Jinyuan Liu;Yisheng Lv;Wei Liu
影响因子：
6
作者：
Guo, Ge;Yuan, Wei
通讯作者：
Yuan, Wei
DOI：
10.4018/978-1-7998-1192-3.ch008
发表时间：
2020
期刊：
Advances in Systems Analysis, Software Engineering, and High Performance Computing
影响因子：
--
作者：
Menaga D.;R. S.
通讯作者：
Menaga D.;R. S.