깊이 순서 학습과 보조 정보를 활용한 교통 예측

온라인 경로 쿼리로부터 교통 상황을 예측하는 것은 도로와 인파 간의 복잡한 상호작용이 많이 포함되어 있어 어려운 과제입니다. 본 논문에서는 보조 정보에 암시적으로 포함된 세 가지 필수적인 요소를 적절히 통합하여 교통 예측을 개선하고자 합니다. 이를 위해 인코더-디코더 시퀀스 학습 프레임워크 내에서 다음과 같은 데이터를 통합합니다: 1) 오프라인 지리적 및 사회적 속성. 예를 들어, 도로의 지리적 구조나 국가 기념일과 같은 공공 사회 행사; 2) 도로 교차점 정보. 일반적으로 교통 정체는 주요 교差点에서 발생합니다; 3) 온라인 군중 쿼리. 예를 들어, 공연으로 인해 동일한 목적지에 대한 많은 온라인 쿼리가 발행되면, 이 위치 주변의 교통은 일정 시간 후에 더욱 혼잡해질 가능성이 있습니다. 바이두에서 제공한 실제 데이터셋을 이용한 질적 및 양적 실험 결과, 우리 프레임워크의 효과성이 입증되었습니다.