您好,登錄后才能下訂單哦!
如何用GNN提高ETAs準(zhǔn)確率,相信很多沒有經(jīng)驗(yàn)的人對此束手無策,為此本文總結(jié)了問題出現(xiàn)的原因和解決方法,通過這篇文章希望你能解決這個問題。
GNN提高ETAs準(zhǔn)確率
主要核心思想是:
把道路切割成超級路段
DeepMind把路網(wǎng)切割成一個個的路段,超級路段由多個相鄰路段組成。也就是說,超級路段包含了幾個路段,且每個路段都有特定的長度和相應(yīng)的速度特征。每一個路段對應(yīng)一個節(jié)點(diǎn),一條路上的連續(xù)路段存在邊,或者通過路口進(jìn)行連接
<<< 左右滑動見更多 >>>
該系統(tǒng)專門有一個模塊(route analyser,路由分析器)來專門處理大量的道路信息并構(gòu)建超級路段。
而構(gòu)建的模型則是用來預(yù)測每個超級路段的行程時(shí)間(travel time)。
Deepmind也嘗試了幾個模型:
所以最終選擇了圖神經(jīng)網(wǎng)絡(luò),把局部路網(wǎng)視為一個圖。也就是說,超級路段其實(shí)就是一個根據(jù)交通密度來隨機(jī)采樣形成的道路子圖。
這也說明了每個路段的長度是不一致的,是根據(jù)流量密度來劃分。
GNN不僅可以處理前后兩段道路,還可以處理各種復(fù)雜的道路,比如交叉口。通過這種特性,DeepMind實(shí)驗(yàn)發(fā)現(xiàn),通過把超級路段范圍擴(kuò)展到相鄰道路,而不僅僅是只包含主道路,能夠獲得性能上的提升(比如說某條小巷的擁堵、甚至堵到了主干道)。
通過考慮多個路口的情況,模型可以考慮到轉(zhuǎn)彎處、并道時(shí)的延誤和走走停停情況下的總時(shí)間。
無論多長的超級路段(兩個路段或者數(shù)百個路段組成的),都能用同一個GNN模型來處理。
DeepMind發(fā)現(xiàn)GNN對訓(xùn)練過程(training curriculum)的變化非常敏感,主要原因是訓(xùn)練過程中使用的圖結(jié)構(gòu)的差異太大。一個batch中每張圖的節(jié)點(diǎn)數(shù)量從兩個到一百多個都有。
在這里我有個疑惑,難道不是每個超級路網(wǎng)采樣相同的節(jié)點(diǎn),估計(jì)出每個路段的通行時(shí)間,然后再根據(jù)用戶的起點(diǎn)終點(diǎn)來拼接出總時(shí)間?就算說全球路網(wǎng)巨大,難以為每一個路段都計(jì)算,但還是能根據(jù)歷史記錄來找出特定的“常用”路段。所以還是得等他們出論文再看看怎么處理的。
DeepMind也嘗試了幾個技術(shù):
這里原文寫得挺亂的,所以我姑且把涉及到技術(shù)列出來,到底是組合使用還是依次嘗試,還得琢磨琢磨。
最后,最成功的解決方案是使用 MetaGradient 來動態(tài)調(diào)整訓(xùn)練期間的學(xué)習(xí)率,從而可以有效地使系統(tǒng)學(xué)得自身最優(yōu)的學(xué)習(xí)率計(jì)劃。最終實(shí)現(xiàn)了更穩(wěn)定的結(jié)果,使得該新型架構(gòu)能夠應(yīng)用于生產(chǎn)。
DeepMind發(fā)現(xiàn),線性組合多個損失函數(shù)(適當(dāng)加權(quán))能夠極大地提升了模型的泛化能力,避免過擬合。具體來說,這個多損失目標(biāo)使用了:
雖然沒有提高訓(xùn)練的指標(biāo),但是能夠更泛化地應(yīng)用在測試集和端對端實(shí)驗(yàn)上。
目前,DeepMind 還在探索,在減少行程估計(jì)誤差(travel estimate errors)為指導(dǎo)下, MetaGradient 技術(shù)是否可以改變訓(xùn)練過程中的損失函數(shù)的組合成分。這項(xiàng)研究受 MetaGradient 的啟發(fā),并且早期實(shí)驗(yàn)得到不錯的結(jié)果。
看完上述內(nèi)容,你們掌握如何用GNN提高ETAs準(zhǔn)確率的方法了嗎?如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容,歡迎關(guān)注億速云行業(yè)資訊頻道,感謝各位的閱讀!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。