【Title】CompactETA: A Fast Inference System for Travel Time Prediction
【应用】估计到达时间 （estimated time of arrival (ETA)），误差在100ms
【文章要点】
1. 在该方法中，我们将图注意网络应用于一个时空加权的道路网络图，将高阶的时空依赖性编码到复杂的表示中。为了避免网络结构的周期性，我们进一步对出行路径的顺序信息进行了位置编码。
2. 为了保证实时性，推理网络用的是简单的MLP
3. 同时，设计了一个异步的特征表征学习网络，该模型使用非实时的raw features来学习空间表征。使用graph attention network来学习路网解耦的空间关联。此外，使用positional encoding（一个在transformer中用于替代recurrent model的方式）来对路径信息进行空间编码，同时前鳄鱼时间的依赖关系
4. ETA问题定义：d→司机，t→开始时间，p→路径的基于时间的切片
5. 在路网中，使用link来表示实际路段，定义link的特征向量xl，l为id。所有link的特征，形成一个矩阵
6. 对于每一个qi，相当于从L中挑选出一个子集
7. 此外，还有一个全局的特征向量gi，表示路径的影响因素，例如天气、司机ID，周几等
8. 对比的baseline model： WDR (wide-deep-recurrent) model. wide层使用叉乘记忆g特征向量。deep层是两个全连接层用于增强泛化能力。recurrent层是一个LSTM
embedding size=20
9. compactETA：
包含两部分，实时的推理模型（3层MLP），离线的高阶特征表征模型。
10. Graph attention network： 路段间的关系编码，使用onehot （由于没有图网络的基础，所以此处等后续再细看）
11. Positional encoding