【Title】CompactETA: A Fast Inference System for Travel Time
Prediction
【應用】估計到達時間 （estimated time of arrival (ETA)），誤差在100ms
【文章要點】
1. 在該方法中，我們將圖注意網絡應用於一個時空加權的道路網絡圖，將高階的時空依賴性編碼到復雜的表示中。為了避免網絡結構的周期性，我們進一步對出行路徑的順序信息進行了位置編碼。
2. 為了保證實時性，推理網絡用的是簡單的MLP
3. 同時，設計了一個異步的特征表征學習網絡，該模型使用非實時的raw features來學習空間表征。使用graph attention network來學習路網解耦的空間關聯。此外，使用positional encoding（一個在transformer中用於替代recurrent model的方式）來對路徑信息進行空間編碼，同時前鱷魚時間的依賴關系
4. ETA問題定義：d→司機，t→開始時間，p→路徑的基於時間的切片
5. 在路網中，使用link來表示實際路段，定義link的特征向量xl，l為id。所有link的特征，形成一個矩陣
6. 對於每一個qi，相當於從L中挑選出一個子集
7. 此外，還有一個全局的特征向量gi，表示路徑的影響因素，例如天氣、司機ID，周幾等
8. 對比的baseline model： WDR (wide-deep-recurrent) model. wide層使用叉乘記憶g特征向量。deep層是兩個全連接層用於增強泛化能力。recurrent層是一個LSTM
embedding size=20
9. compactETA：
包含兩部分，實時的推理模型（3層MLP），離線的高階特征表征模型。
10. Graph attention network： 路段間的關系編碼，使用onehot （由於沒有圖網絡的基礎，所以此處等后續再細看）
11. Positional encoding