MetaER-TTE: An Adaptive Meta-learning Model for En Route Travel Time Estimation
En route travel time estimation(En - tte)旨在预测剩余路线上的旅行时间。由于出行的部分和剩余部分通常具有一些共同的特征，如驾驶速度，因此需要探索这些特征，通过有效的适应来提高性能。但由于部分轨迹中采样点较少，这将面临严重的数据稀疏问题。由于具有不同上下文信息的轨迹往往具有不同的特征，现有的ER-TTE元学习方法对所有轨迹使用相同的模型，不能很好地拟合每条轨迹。为此，提出一种新的自适应元学习模型MetaER-TTE。利用软聚类并派生聚类感知的初始化参数，以更好地在具有相似上下文信息的轨迹之间迁移共享知识。此外，采用分布感知的方法进行自适应学习率优化，避免了使用固定学习率指导初始参数时在任务分布不平衡时出现的任务过拟合问题。最后，通过实验验证了MetaER-TTE的优越性。
4 MetaER-TTE
本文介绍所提出的方法:一种自适应的ER-TTE元学习模型，即MetaER-TTE，如图1所示。首先，介绍了基础模型ConSTGAT [Fang等人，2020]。它是一种结合路段关系和交通预测来估计旅行时间的TTE方法。其次，提出了MetaER-TTE模型，该模型支持对每个轨迹进行有效自适应，以实现更好的性能。
开通VIP 解锁文章