基于辅助信息的深度序列学习用于交通预测

从在线路线查询中预测交通状况是一项具有挑战性的任务，因为涉及许多复杂的道路和人群交互。在本文中，我们旨在通过适当整合三种隐含但至关重要的因素来改进交通预测，这些因素编码在辅助信息中。我们在此过程中采用了编码器-解码器序列学习框架，整合了以下数据：1）离线地理和社会属性。例如，道路的地理结构或国家庆典等公共社会事件；2）道路交叉口信息。通常情况下，交通拥堵发生在主要路口；3）在线人群查询。例如，当由于一场公共演出而产生大量针对同一目的地的在线查询时，该目的地周围的交通状况可能会在一段时间后变得更加拥挤。基于百度提供的真实世界数据集进行的定性和定量实验表明了我们框架的有效性。