全球數(shù)億人的日常通勤都依靠公共交通工具，其中超過半數(shù)在出行時會選擇乘坐公交車。隨著全球城市的不斷發(fā)展，通勤一族希望了解公共交通工具尤其是公交車可能出現(xiàn)的延誤時間，以便提前安排出行計劃。因為公交車往往會遇到交通擁堵。Google 地圖的公交路線實時數(shù)據由眾多公共交通運營機構提供，但因技術和資源限制，仍有許多公共交通運營機構無法提供這些信息。

近日，Google 地圖為全球數(shù)百個城市（包括亞特蘭大、薩格勒布、伊斯坦布爾、馬尼拉等），推出了基于機器學習的實時公交延誤預測服務。如此一來，六千多萬人便能更準確地把握出行時間。這套系統(tǒng)于三周前率先在印度發(fā)布，系統(tǒng)采用機器學習模型，整合了實時汽車交通預測與公交路線和站臺數(shù)據，以便更準確地預測公交出行的時間。

模型初探

許多城市的公共交通運營機構并不提供實時預測數(shù)據，在對這類城市的用戶進行調查后，我們發(fā)現(xiàn)，他們借助一種巧妙方法來粗略估計公交車的延誤時間：使用 Google 地圖的駕駛路線功能。然而，公交車并非只是大型汽車。公交車在站臺?？?，加速、減速和轉彎都需要更長時間，有時甚至擁有專屬道路特權（如公交專用車道）。

舉個例子，我們于周三下午在悉尼測試了一次公交車之旅。相較于公交時刻表（黑點），公交車的實際行駛時間（藍點）會晚幾分鐘。汽車行駛速度（紅點）確實會對公交車造成影響，例如行駛至 2000 米處的減速情形。但與汽車相比，公交車在 800 米標記處的長時間停靠也會大大減慢自身的速度。

為了開發(fā)模型，我們從公共交通運營機構的實時反饋中獲得了公交車位置序列，從中提取訓練數(shù)據，并將其與汽車在公交行駛路線上的行駛速度進行調整。我們將該模型劃分為時間線單元（表示在街區(qū)和站臺?？浚總€單元對應一段公交車的時間線，并預測持續(xù)時間。由于報告頻率低、再加上公交車行駛速度較快、街區(qū)和站臺?？繒r間較短，相鄰的觀測數(shù)據可能會跨越多個單元。

此結構非常適合于神經序列模型，如近期在語音處理和機器翻譯等領域成功實現(xiàn)應用的模型。而我們的模型更加簡單。每個單元會獨立預測其持續(xù)時間，最終的輸出結果為每單元預測時間的總和。

與許多序列模型不同，我們的模型并不需要學習組合單元輸出，也無需通過單元序列傳遞狀態(tài)。相反，序列結構讓我們能夠共同：(1) 訓練一個單元持續(xù)時間的模型，(2) 優(yōu)化“線性系統(tǒng)”，其中每條觀測到的軌跡會將總持續(xù)時間分配給其跨越的所有單元。

為模擬從藍色站臺開始的公交車行程 (a)，模型 (b) 將藍色站臺、三個路段和白色站臺等各處的時間線單元延誤預測進行相加

構建“地點”模型

除了因交通擁堵導致的延誤之外，我們在訓練模型時還詳細考慮了公交車路線，以及行程中各地點與時段的交通信號燈。

即便是在小區(qū)內，該模型也需根據各個街道的路況，以不同方式將汽車速度預測轉化為公交車速度。如下方左圖所示，模型預測了公交車行程中汽車與公交車速度之比，我們用不同顏色對其進行標記。

紅色（表示車速較慢）的部分符合公交車在站臺附近減速的實況。針對突出顯示的綠色路段（表示車速較快），我們查看了相關街景，了解到該模型發(fā)現(xiàn)了一條公交車專用的轉彎車道。順便一提，這條路線位于澳大利亞，該國右轉車速低于左轉車速，而這也是不考慮地點特殊性的模型會忽略的另一方面。

為獲取特定街道、街區(qū)和城市的獨特屬性，我們讓該模型學習不同大小區(qū)域的表示層次結構，通過地區(qū)位置的總嵌入，在模型中按不同比例表示時間線單元的地理位置（即道路或站臺的精確定位）。

我們首先訓練模型，對特殊情況下的細粒度位置進行逐漸加重的處罰，并使用結果進行特征選擇。這樣就可以確?？紤]到百米影響公交行為的復雜區(qū)域中的細粒度特征，而不像開放的鄉(xiāng)村那樣細致的特征很少。

訓練期間，我們還模擬了訓練數(shù)據以外地區(qū)可能的后續(xù)查詢。在每個訓練批次中，我們會隨機抽取一些示例，隨機選取某一比例并丟棄地理特征。某些示例擁有準確的公交路線和街道信息，某些僅包含街區(qū)或城市位置，還有一些則沒有任何地理環(huán)境信息。如此一來，模型便能做好充足準備，從而在后續(xù)查詢訓練數(shù)據不足的地區(qū)。我們通過匿名用戶的公交行程，并使用與 Google 地圖在商業(yè)繁忙、停車難度及其他特征的相同數(shù)據集，來擴展我們的培訓語料庫覆蓋范圍。然而，即使是這類數(shù)據也無法涵蓋全球大部分公交路線，因此我們必須大幅提升模型的泛化能力，使其適應更多新地區(qū)。

學習地方性節(jié)奏

不同城市和街區(qū)的運轉節(jié)奏各有差異，因此我們讓模型將其位置表示與時間信號進行結合。

公交車對時間的依賴包含不同情形：周二下午 6:30 至 6:45，一些街區(qū)的下班高峰可能已逐漸淡去，另一些街區(qū)可能在忙于用餐，而冷清的小鎮(zhèn)可能已是萬籟俱寂。我們的模型學習嵌入了局部地區(qū)的當日時間與星期信號，當此類信號與地點表示相結合時，模型便可獲取顯著的局部地區(qū)變化（如上下班高峰期在公交站臺等候的人群），而我們無法通過交通情況觀測這類變化。

這種嵌入會向一天的時間分配四維向量。與大多數(shù)神經網絡內部架構不同，四維空間幾乎無法實現(xiàn)可視化。因此，讓我們以如下所示的藝術渲染圖為例，向您展示此模型如何在其中的三個維度內安排一天的時間。此模型確實知道時間具有周期性，因而會將其放在“循環(huán)”內。但此循環(huán)并非只是時鐘表面的平面圓環(huán)。

此模型學習了大量彎曲 (wide bends)，讓其他神經元組成簡單的規(guī)則，以輕松區(qū)分“午夜”或“傍午”等概念。而在此類概念中，公交車的行駛狀態(tài)不會產生太大變化。另一方面，不同街區(qū)和城市的夜間通勤模式差異甚大。針對下午 4 點至晚上 9 點之間的時段，模型似乎創(chuàng)建了更復雜的“折皺”模式，從而能對每個城市的高峰時間進行更復雜的推理。

效果圖作者：Will Cassella，所用貼圖來源：textures.com，所用 HERI 來源：hdrihaven。模型的時間表示（四維空間中的三個維度）形成循環(huán)，在此處您可以將其重新想象成手表的表盤。越依賴位置的時間窗口（如下午 4 點至 9 點，上午 7 點至 9 點）會獲得更復雜的“折皺”，而沒有特征的大窗口（如凌晨 2 點至 5點）則會發(fā)生平面彎曲，進而生成更簡單的規(guī)則。

借助此時間表示與其他信號，我們可在車速恒定的情況下預測復雜模式。例如，在乘坐公交車完成新澤西州的 10 公里行程時，我們的模型能夠了解午餐時間的人群狀況以及工作日的高峰時段：

全面整合

在對模型進行充分訓練后，讓我們看看它對上例中悉尼公交車之旅的了解程度。

如果基于當日的車輛交通數(shù)據運行模型，我們會得到如下所示的綠色預測點（該模型無法獲取所有信息，例如，模型檢測到公交車在 800 米僅?？苛?10 秒，而實際的?？繒r間為 31 秒多）。與公交時刻表和汽車行駛時間相比，我們的預測與公交車實際運行時間的差異相對較小，為 1.5 分鐘。

未來行程

目前，我們的模型尚缺一類數(shù)據，即公交時刻表。截止目前，經試驗證明，官方機構提供的公交車時刻表尚無法對我們的預測做出顯著改進。在某些城市，變化無常的交通狀況可能會打亂出行計劃。而在其他城市，公交車時刻表則非常精準，這或許是因為當?shù)毓步煌ㄟ\營機構仔細考慮了本地的交通狀況。而我們可以從數(shù)據中推斷出這些。

我們將繼續(xù)進行實驗，更好地考慮行程限制和其他影響因素，從而推動更精確的預測，為用戶的出行計劃提供便利。此外，我們希望能為您的出行計劃提供幫助。祝您旅途愉快！