深度学习在高德ETA应用的探索与实践

1.导读

驾车导航是数字地图的核心用户场景，用户在进行导航规划时，高德地图会提供给用户3条路线选择，由用户根据自身情况来决定按照哪条路线行驶。

同时各路线的ETA（estimated time of arrival，预估到达时间）会直接显示给用户，这是用户关心的核心点之一。用户给定起点和终点后，我们的任务是预测起终点的ETA，ETA的准确率越高，给用户带来的出行体验越好。

2.基于深度学习模型的探索和实践

2.1模型选择

传统机器学习模型在ETA中，比较常用的有线性回归、RF（随机森林）、GBDT（梯度提升决策树）等回归预测类模型。线性模型表达能力较差，需要大量特征工程预先分析出有效的特征；RF通过样本随机和特征随机的方式引入更多的随机性，解决了决策树泛化能力弱的问题；GBDT是通过采用加法模型（即基函数的线性组合），以及不断减小训练过程产生的残差来达到回归的算法。

传统机器学习模型相对简单易懂，也能达到不错的效果，但存在两个问题：

• 模型的表达能力跟选取的特征有关，需要人工事先分析出有效的特征。