Driving with Knowledge from the Physical World_1_1

2021年2月9日发(作者：零误差)

Driving with Knowledge from the Physical World

Jing Yuan,

Yu Zheng

Microsoft Research Asia

本文主要内容介绍

:

本文 介绍了一种使用交通信息和司机的驾驶行为计算最短时间的

驾驶路线的系统。

< p>

本文提出了一种基于云计算的系统来使用交通信息和司机的

驾驶行为计算最短时间的驾驶路线。在这个系统中，配备

GPS

的

出租车作为移动传感器不断地探测城市的交通和出租车司机在现

< p>
实世界选择方向的智力。同时，云聚集挖掘来自这些出租车的信息

和其他来 自互联网的信息，如

Web

地图和天气预报信息。云计算

构建的模型将一周的每天，一天的时间，天气情况，和个人驾驶策

略结 合起来（包括为其计算路由出租车司机和最终用户）

。利用

这个模型，我们的系统

预测将来的某个时间的交通情况，并为特

定的用户进行自适应的驱动方 向服务。此服务从用户的

GPS

记录

逐 步学会用户的驾驶行为，

在云的帮助下，为用户提供最快的路

线。我们用

3

个月在北京，超过

33,000

辆的数据评估我们的服务。

其结 果是，我们的服务为一个用户准确地估计的路径的运行时间，

因此找到为用户定制最快的 路线。

对我们项目的帮助

:

Finding the

customized

and

practically fastest

driving route for a

particular user using

(Historical and real-time) Traffic conditions

Driver behavior (of taxi drivers and end users)

A

time-dependent

,

user-specific,

and

self-adaptive

driving

directions service using

GPS trajectories of a large number of taxicabs

GPS log of an end user

Service providing

2. Route

computing

Normal weather

Knowledge discovery

Historical trajectories

Severe weather

and weather

C

y

b

e

< p>
r

w

o

r

l

d

Weekday

Weekend

Offline

mining

Landmark Graphs

Landmark Graphs

Real/Future traffic

1

.

Send a query

Q=

(

q

s

,

q

d

, t,

α

)

3. Route downloading

Real-time

taxi trajectories

4. Logging the

real travel with

a GPS trace

Online

inference

P

h

y

s

i

c

a

l

w

o

r

l

d

5. Learning

new

α

Offline Mining

Building landmark graphs

Tr

5

Tr

1

r

1

Tr

2

r

5

Tr

3

r

7

r

4

p

1

r

2

< br>r

6

Tr

4

r

10

p

3

p

4

r

8

r

9

p

2

r

3

r

1

r

6

e

96

r

< p>
9

C) A landmark Graph

r

3

r

1

e

16

e

13

e

63

r

6

e

93

r

3

r

9

A) Matched taxi trajectories

B) Detected landmarks

Mining taxi drivers’ knowledge

Learning travel time distributions for each landmark edge

1, Traffic patterns vary in time on an edge

2, Different land edges have different distributions

Differentiate taxi drivers’ experiences in different regions

1

0.8

0.6

0.4

0.2

p

r

o

p

o

r

t

i

o

n

3-5min

5-10 min

10-14min

7

9

14

17

19

time of day (hour)

24

C) Distributions of travel time

Challenges

Intelligence modeling Data sparseness

Low-sampling- rate

Online Inference