中图分类号：TP391 文献标志码：A 文章编号：1671-6841（2025）06-0008-08

DOI： 10. 13705/j. issn.1671-6841. 2024099

Abstract ： In response to the diffculty of uncertainty quantification for travel time estimation in intelligent transportation systems，a global and local uncertainty-aware travel time estimation （GLUTTE）method Was proposed.Firstly，a multi-task learning strategy was employed to model the travel time relationship between overallroutes and each local segment，as well as their uncertainties. Secondly，a multi-granularity quantile regression approach was adopted，considering both global and local features to provide accurate confidence interval estimation.The experimental results demonstrated that the proposed method could effectively quantify uncertainties while ensuring accuracy and ofering reliable confidence intervals，therebyenhancing the usability and credibility of the results.

Key Words ： travel time estimation；uncertainty quantification；confidence interval; spatial-temporal data mining

0 引言

行程时间估计（travel timeestimation，TTE）任务是根据给定路线和出发时刻预测行程时间。作为智能交通系统的重要组成部分，准确的行程时间估计对于优化用户体验和提高系统效能具有决定性作用，已广泛应用于路线规划、导航和网约车等服务领域。例如滴滴等网约车平台，其服务在很大程度上依赖于精确的行程时间估计[]。近年来，深度学习技术也被广泛应用于行程时间估计，例如基于循环神经网络的方法[2]、基于注意力机制的方法[3]以及基于图神经网络的方法[4-6]等。虽然这些方法提高了行程时间估计的精度，但它们都只专注于行程时间预测的点估计。点估计旨在使用样本数据来计算一个最佳估计作为预测值，在行程时间估计中，点估计专注于预测一个具体的行程时间值。仅依赖点估计的方法无法捕捉预测的不确定性，降低了预测结果的可用性和可信度，无法满足实际需求，尤其是在需要高准确性的紧急情况下。例如，对救护车到达现场的时间估计，考虑了两条不同的救援路线，其行程时间点估计分别为 t₁，t₂ ，若 t₁ 时间短，但置信区间宽，表明不确定性较高，可能错过关键的救援时机。相反，若 t₂ 时间较长，但置信区间窄，则即使在最慢的预期情况下也能够及时到达救援现场。综合考虑，选择 t₂ 对应的路线更安全。因此，行程时间的置信区间估计尤为重要。

置信区间估计[8是一种为预测结果提供不确定性量化的有效途径。……