IJCAI 2019滴滴论文解读 | 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

点击上方“蓝色字体”，选择“置顶公众号”

精彩内容，即刻送达

编者按

8月10-16日，人工智能领域国际顶级会议IJCAI 2019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%。滴滴共有3篇论文被接收，本文将对「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」进行解读，该篇论文被大会主会接收并做口头报告。

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

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。滴滴地图技术团队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。使用来自滴滴的真实交通数据集进行了大量实验，证明了模型的有效性。（该项目由2017年盖亚青年学者科研基金支持）

【 研究背景 】

随着智能出行的快速普及，估计道路通行时间是很多基于位置服务（Location-based Service, LBS）的核心问题，其不仅能够提高人们的出行效率，还能进一步提升交通业务的服务质量。现有方法已在时间预估的准确性方面取得了较大提高，但往往依赖于GPS轨迹数据；由于GPS轨迹的稀疏性问题，无法对个性化的驾驶行为进行精确建模。北京交通大学高睿鹏副教授与滴滴地图技术团队合作，联合设计了基于手机运动传感器数据的危险驾驶行为检测方法，进而提出针对不同个体的道路通行时间的个性化预估模型。

【 问题挑战 】 

基于研究背景，本论文提出了一种新颖的多源异构数据的融合方法，基于多任务学习机制同时预测道路的通行速度和每一个体的通行时间。在数据融合的过程中，我们面临的挑战主要有：1）如何在多源异构交通数据中提取重要的数据特征；2）如何基于手机传感器数据，实时检测不同司机的驾驶行为；3）在个性化通行时间的预估过程中，如何平衡道路通行速度与个体驾驶行为的关系。

【 解决方案 】

本论文基于滴滴业务平台中的真实场景数据，包括GPS轨迹、路网数据以及手机传感器数据，并结合外部属性（如天气、日期、时间等），设计多任务学习机制以个性化预估不同个体的道路通行时间。

本论文提出了个性化预估道路通行时间的模型架构，如图1所示，主要包括交通数据源，数据分析以及多任务学习机制三个模块。在数据分析模块，我们构建了两个专用数据库，分别表示路网交通流量以及驾驶行为。在多任务学习机制中，结合路网的拓扑结构、速度、查询请求数量以及外部属性数据来预估其道路在一定时间段内的通行速度；同时结合驾驶行为数据，实现个体通行时间的个性化预估。

图1 模型架构图

论文具体方法如下：

01

路网数据预处理

路网结构中，相邻路段或相同位置的不同方向路段，具有相互影响的关系。为了学习其路段之间的关系，本论文受无监督图嵌入的方法DeepWalk算法的启发，结合实际的应用场景，提出了一种能够用于大规模路网数据的拓扑表示模型。在该模型中只有一个隐含层的神经网络结构；其中，输出层采用softmax 函数，来确保输出的路段编号向量是符合概率分布的；最后采用随机梯度下降算法（SGD）进行优化。以图2（a）网络结构为例，来验证该算法的有效性。图3（b）为算法处理后的各个link在向量空间中的向量表示。通过该图，可以得知在网络结构中相邻的点，在向量空间中也具有相邻关系。

图2网络结构示例图

02

个性化驾驶行为检测

不同司机之间的驾驶行为存在着显著差异，因此对于每个司机个体的驾驶行为分析，对于更准确的估计个性化的出行时间是至关重要的。本论文基于手机运动传感器数据（加速度、陀螺仪），检测不同司机的危险驾驶行为，包括超速、猛刹车、频繁变道等。

首先，由于手机姿态在车体中有可能是任意放置的，为了能够将手机坐标系下的加速度转化为汽车系下的加速度，本论文设计了PCA（Principle component analysis）算法，如图3所示。我们首先推算出手机的重力方向，然后将其加速度映射到水平面，最后采用PCA算法得到加速度的主方向，进而将手机系下的加速度投影到该方向上并转化为车体的前进加速度。

图3不同坐标系的加速度转换

在变道检测模块中，陀螺仪的数据能够有效检测汽车转弯时的角速度变化情况，如图4所示。所以我们基于角速度的变化情况来检测车辆是否变道。

图4 汽车转弯时的陀螺仪角度变化

03

多任务学习框架

在该模块中，采用多任务学习机制，综合考虑路网速度预测以及个性化道路时间的预估问题。在速度预测中我们结合路网的拓扑表示、历史的平均速度、查询请求数量和外部属性等，输入到LSTM神经网络结构来预测速度。之后，结合驾驶行为数据并作为尺度因子，采用多任务处理机制来个性化预估其道路时间。

实验与结果：

在该实验中，本论文的数据集来源于滴滴出行的真实业务场景，通过对北京、上海两地的数据集来验证模型的有效性。该数据集中主要包括车辆的GPS轨迹数据、路网数据以及运动传感器数据等。其数据集如图5所示：

图5 实验中的数据集

通过与SVR与DeepTTE模型对比，得到的实验结果如图6所示。

图6 模型的实验结果

【 论文核心贡献者 】

高睿鹏

北京交通大学副教授

研究方向包括移动计算、物联网、智慧交通

朱家言

滴滴地图事业部资深算法工程师

孙付勇

北京交通大学博士研究生

滴滴地图事业部实习生

点击阅读原文，可获取论文全文！

相关阅读

编辑 | 洛羽