深度学习在高德驾车导航历史速度预测中的探索与实践

点击上方蓝字,关注高德技术！

1.

导读

---

驾车导航服务是数字地图提供的核心功能。通常而言，用户在发起导航之前会对比高德前端展示的三条路线（如下图），以决定按照哪条路线行驶。

而预估到达时间是用户参考的最为重要的指标之一。给定一条路线，对应的预估到达时间的计算需要两组信息输入，分别是实时路况信息和历史速度信息（历史速度信息指的是对应的平均通行时间）。其中实时路况信息，对短时（例如60分钟以内）路况预测帮助较大；而历史速度信息对长时（例如60分钟以上）路况预测帮助较大。一般来说，对于未来2小时以上的路况预测而言，当前时刻的路况信息帮助十分有限，也可以理解为历史速度信息基本处于绝对主导的地位。

因此在长距离路线的预估到达时间计算中，历史速度至关重要，其预测的准确性直接影响预估到达时间，进而影响用户选择及体验。我们希望能够通过建模的方式提高历史速度的预测准确率。

2.

历史平均法的不足

---

以往预测历史速度的方式是历史平均值法，主要是将历史上过去某时间段同一特征日同一时间段（例如8:00-8:10）经过同一条路段的所有车辆的用时求平均，这种方法的假设是“历史即未来”。该方法对于3个月内常发性震荡走势比较适合，但针对有特定趋势的走势（如上升走势），效果不会太好。

该方法不足之处有以下三点：

• 对于异常点敏感 

• 无法利用时域序列的演化趋势（trend）信息 

• 无法利用去年同期的车辆行驶规律

下面我们用一个分析过的badcase来具体说明，如下图：