DiDi@IJCAI 2019 | 相约50周年盛会，澳门唱响AI之歌（论文篇）

点击上方“蓝色字体”，选择“置顶公众号”

精彩内容，即刻送达

8月10-16日，人工智能领域国际顶级会议IJCAI 2019将在澳门举办。据组委会数据，2019 年共收到 4752 篇有效提交论文，最终收录850 篇，接收率为 17.9% 。虽然今年论文投稿量和收录量都高于去年（投稿3470 篇、收录 710 篇），但最终的接收率比2018年低2.6%。

今年是IJCAI 50周年，是IJCAI第二次来到中国，更是IJCAI和中国结缘40周年。据IJCAI理事会主席杨强教授介绍，本届大会将会凸显50周年的“历史感”和“中国特色”。（来源：大会合作媒体雷锋网）

作为大会合作伙伴，这是滴滴继IJCAI 2017（墨尔本）、IJCAI 2018（斯德哥尔摩）后连续第三年深度参与IJCAI。本届会议，滴滴团队将分享绍人工智能在大出行领域的应用、滴滴网约车策略与技术现状，通过特邀报告、论文（Oral)、特邀演讲教程(Tutorial)、技术展示（Demo）、展台等，多维度地呈现滴滴在AI for Transportation科技战略下的进展。通过和同行的交流，不断拓宽AI在滴滴的应用场景！

本文将重点对本届大会收录的3篇滴滴论文进行简要介绍，包括个性化行驶时间预测、POI文本纠错、以及路径规划在提升全局配送效率上的应用。

01

◆ ◆ ◆ ◆

野蛮驾驶节省更多时间？

个性化行驶时间预测的多任务学习

Aggressive Driving Saves More Time? Multi-task Learning for Customized Travel Time Estimation

◆ ◆ ◆ ◆

估计起终点通行时间是很多基于位置的车辆服务的基本问题，例如乘车，车辆调度和路径规划。最近的工作虽然在估计准确性方面取得了显著的进展，但是它们很大程度上依赖于GPS轨迹。这些GPS轨迹太粗糙，没法对许多个性化驾驶行为进行建模。滴滴地图与北京交通大学高睿鹏副教授合作，联合提出一种个性化行驶时间估计模型（Customized Travel Time Estimation），在深度递归神经网络中融合了GPS轨迹，手机惯性数据和路网信息。它构建了一个包含拓扑表征，速度统计和车流分布的道路交通数据库，同时它使用惯性数据估计车辆中手机的任意姿态，并进一步检测出细粒度的驾驶行为。采用多任务预测结构可以同时预测公共层面的道路通行速度和个人层面的个性化通行时间。我们使用来自滴滴出行的两个真实交通数据集进行了大量实验，证明了我们模型的有效性。（该项目由2017年盖亚青年学者科研基金支持）

02

◆ ◆ ◆ ◆

基于统计和深度学习方法的POI文本纠错

Automatic Query Correction for POI Retrieval using Deep and Statistical Collaborative Model

◆ ◆ ◆ ◆

文本纠错在自然语言处理领域是一个颇具挑战性任务，尤其对于中文地址(POI)文本的纠错，是一个很有难度而且学术界缺少研究的问题。在此之前，深度学习方法已经被应用于文本纠错任务而且获得了不错的效果。深度学习模型能够很好的捕捉拼写错误，但是存在过度纠错问题，在本论文中，我们提出了HSMPC模型，该模型结合了基于深度的seq2seq模型和基于统计方法的HMM模型，包括一个字粒度的LSTM编码器和一个结合attention-based LSTM和HMM模型的解码器，我们从检索日志和POI数据中抽取数据构建训练语料并训练模型。在人工标注的测试集上的实验表明，HSMPC模型在纠错准确率、过纠率上优于基于统计的方法(Mose、HMM等)和其他深度学习模型(seq2seq等)。HSMPC模型已被用于智慧交通领域，给用户提供更好的出发地、目的地搜索体验。

03

◆ ◆ ◆ ◆

基于序列学习的行驶和停留时间预估模型

Sequence Learning to Estimate time of Travel and Stop

◆ ◆ ◆ ◆

本文提出一种新的基于序列学习的行驶和停留时间预估模型，在同时考虑时序学习和多输出回归的基础上利用深度神经网络进行更准确的时间估计。针对配送路线规划中(多目的地序列规划)行驶和停留时间预估问题，我们提出并设计了全新的基于多注意力机制和时空序列学习方法，能较好的刻画配送时间预估问题中的时间和空间序列特性，提升模型学习和预估准确性。进一步提出了在序列学习中使用多输出回归，我们发现这种方法能有效利用前序异质子行程信息，并且能够加速模型收敛并提升泛化性能。最后，我们叠加了局部和全局双维度的序列学习，达到了提升规划路线的全序时间预估精确度的效果。系统的离线模拟实验以及在线实验数据证明，我们提出的基于序列学习的时间预估算法相比现有方法能进一步显著提高预估MAE精准度，降低ATA和配送超时率，提升平台路线规划合理性和全局配送效率。

在IJCAI-19 Tutorial「Artificial Intelligence in Transportation」上，滴滴团队将深入介绍AI在地图匹配、路径规划、预估到达时间、交通预测方面的应用，并分享强化学习及其在派单等决策系统（如派单）上的探索。

DiDi @IJCAI 2019下篇中，小编将继续为您深入解读其他精彩内容！

相关阅读

编辑 | 洛羽