DSETA：动态交通环境中行程时间预测的双阶段持续学习框架

# DSETA：一种用于动态交通环境中行程时间预测的双阶段持续学习框架

来源：https://arxiv.org/html/2608.00402
\(2026\)

###### 摘要。

预计到达时间（ETA）预测是智能交通系统的核心组成部分。随着大城市交通拥堵模式日益动态化，保持较高的预测精度对网约车平台构成重大挑战。现有方法要么无法适应不规则的交通模式和突发拥堵，要么在未将长期趋势与短期波动区分开的情况下，受到新分布的影响，从而在实际场景中导致模型性能下降。为解决这一挑战，我们提出了DSETA，一种增量更新的双阶段ETA预测框架。具体而言，持续学习过程被分为跨日和日内两个阶段。我们首先设计日内学习阶段，该阶段完全依赖实时数据，以实现对由节假日或事故等事件引起的短期交通模式的动态适应。接着，我们开发跨日学习阶段，利用短时间窗口内的聚合历史数据来捕获长期分布偏移的知识，例如季节性趋势和交通网络演变。随后，为防止灾难性遗忘并保留常规模式的知识，我们探索了一个历史交通知识巩固模块。最后，我们通过在滴滴平台上的真实世界数据集上进行的广泛离线与在线实验，验证了DSETA的有效性和鲁棒性。在北京、武汉和西安三个主要城市的在线A/B测试中，该框架均持续取得性能提升，MAE分别降低了6.62%、0.73%和2.40%。该框架已成功部署于滴滴的生产环境，每天处理数亿次请求，验证了其在工业应用中的强大性能。

行程时间估计，交通预测，持续学习

††版权：ACM授权††期刊年份：2026††版权：CC††会议：第32届ACM SIGKDD知识与数据发现会议V.2；2026年8月9日至13日，韩国济州岛††书刊名：第32届ACM SIGKDD知识与数据发现会议V.2论文集（KDD ’26），2026年8月9日至13日，韩国济州岛††DOI：10.1145/3770855.3818375††ISBN：979-8-4007-2259-2/2026/08††CCS：信息系统 时空系统††CCS：应用计算 交通

## 1. 引言

预计到达时间（ETA）是智能交通中的核心技术，支撑着网约车调度、路线规划和动态导航（Derrow-Pinion等人，2021（https://arxiv.org/html/2608.00402#bib.bib13）；Wang等人，2018b（https://arxiv.org/html/2608.00402#bib.bib14））。GPS和普适计算的进步使得滴滴和Uber等基于ETA的服务成为交通管理的重要组成部分。从动态定价（Yan等人，2020（https://arxiv.org/html/2608.00402#bib.bib2）；Saharan等人，2020（https://arxiv.org/html/2608.00402#bib.bib3））和拼车（Zafar等人，2022（https://arxiv.org/html/2608.00402#bib.bib4））到拥堵控制（Dai等人，2020（https://arxiv.org/html/2608.00402#bib.bib5）；Yue等人，2021（https://arxiv.org/html/2608.00402#bib.bib6）），其准确性直接影响用户体验和系统效率。鉴于其对交通优化和城市治理的影响，ETA技术持续受到广泛关注（Fang等人，2020（https://arxiv.org/html/2608.00402#bib.bib7）；Huang等人，2022（https://arxiv.org/html/2608.00402#bib.bib8））。

为了提供准确的ETA预测，早期方法采用基于路段的分而治之方法（Amirian等人，2016（https://arxiv.org/html/2608.00402#bib.bib9）；Wang等人，2014（https://arxiv.org/html/2608.00402#bib.bib11）），对各路段的行程时间求和以得到总ETA，但这往往导致误差累积。深度学习的出现使研究转向端到端模型（Wang等人，2018a（https://arxiv.org/html/2608.00402#bib.bib12）；Zhang等人，2018（https://arxiv.org/html/2608.00402#bib.bib16）；Wang等人，2018b（https://arxiv.org/html/2608.00402#bib.bib14）），这些模型直接学习整条路线的时空依赖关系，从而减少了误差累积。尽管这些模型日益普及（Fang等人，2020（https://arxiv.org/html/2608.00402#bib.bib7）；Derrow-Pinion等人，2021（https://arxiv.org/html/2608.00402#bib.bib13）；Chen等人，2022（https://arxiv.org/html/2608.00402#bib.bib15）；Zhang等人，2024（https://arxiv.org/html/2608.00402#bib.bib21）），但它们在推理过程中仍保持静态，当遇到数据分布偏移时性能欠佳。认识到这一局限性后，持续学习方法（Parisi等人，2019（https://arxiv.org/html/2608.00402#bib.bib33）；Yang等人，2024（https://arxiv.org/html/2608.00402#bib.bib32））近年来应运而生，使模型能够持续适应新数据。包括Yu等人，2021（https://arxiv.org/html/2608.00402#bib.bib34）；Lanza等人，2023（https://arxiv.org/html/2608.00402#bib.bib36）；Choi等人，2024（https://arxiv.org/html/2608.00402#bib.bib35）在内的许多研究，探索了将持续学习集成到交通预测中，证明了其在应对分布偏移方面的有效性。在ETA预测中，iETA（Han等人，2023（https://arxiv.org/html/2608.00402#bib.bib1））首次引入了一种框架，使用固定长度的历史数据时间窗口对模型进行增量训练，从而在不断变化的环境下提升了性能。

参见图1。同一道路上的三种交通状态。（a）具有周期性高峰时段速度下降的常规模式。（b）短期波动，意外事故导致与历史车流显著偏离。（c）长期分布偏移，道路变化导致高峰时间不同。

虽然持续学习（CL）提供了一种有前景的解决方案，但它们在真实系统中的应用带来了鲜明的工业挑战。（1）不确定的动态交通模式。现有CL方法能够适应一定的数据分布偏移，但在不规则交通条件下，尤其是非周期性拥堵情况下，难以准确预测ETA。这些具有挑战性的模式既包括可预测的异常情况，如节假日交通激增，也包括完全不可预见的事件，如交通事故。此类状况导致行程时间快速且显著地偏离，恰恰在用户体验和平台效率最需要可靠性的时候造成严重的预测不准确。在滴滴平台上，这些不规则拥堵形式在2024年约占重大预测失败的60%，凸显了当前自适应模型中的关键性能差距。（2）混合的多尺度时间模式。如图1所示，当前CL框架的一个关键局限性在于无法区分长期分布偏移与短期交通波动。由季节周期或交通网络演变驱动的长期偏移是持续性的，代表了模型应内化的结构性知识。相比之下，由事故或节假日效应等短暂事件引起的拥堵是暂时的，不应被视为对模型知识库的永久更新。然而，这些异构信号在流式数据中交织在一起，缺乏显式的分离机制。因此，模型在不相容的时间尺度上统一更新，掩盖了交通动态的真实演化，并削弱了工业部署中的学习效果。（3）灾难性遗忘。CL方法的一个核心挑战是在适应新的数据流时不灾难性地遗忘先前获得的知识，尤其是构成大多数预测基础的、反复出现的常规交通模式。一种朴素的更新策略会带来两个风险：模型可能无法充分学习新的数据分布，或者过拟合近期信息。前者使模型过时，无法追踪新兴趋势；后者则导致遗忘在日常运营中仍然有效的稳定模式。通常，CL方法在大多数时期能提供更稳定的预测，但可能因灾难性遗忘而出现剧烈的性能尖峰，导致模型丧失应对多样化交通条件的能力，并降低预测稳定性。这种在适应新数据与保留先前知识之间的张力，直接削弱了鲁棒、工业级ETA系统所需的稳定性。

为应对这些关键挑战，我们提出了DSETA，一种增量更新的双阶段ETA预测框架。DSETA将持续学习分解为两个互补的阶段——跨日和日内更新，以显式建模不同时间尺度上的交通动态。首先，为了处理不规则交通模式，我们引入了一个仅由实时数据驱动的日内更新阶段，能够快速适应由节假日或事故等事件引起的短期拥堵。其次，为了区分短时与长时视野的学习，我们在日内适应之上引入了跨日更新阶段。该阶段利用近期聚合的历史数据来捕获长期交通变化，包括季节性趋势和交通网络演变。第三，为了防止常规交通模式上的性能下降并缓解灾难性遗忘，我们在每个阶段中集成了特定机制：用于跨日阶段的周信息回放机制强化了持久的时间结构，而用于日内更新的参数隔离策略则选择性地冻结关键模型组件，从而在适应临时数据时保护已获得的知识。最后，我们通过在滴滴平台上的大规模真实世界数据集上进行广泛的离线与在线实验来评估DSETA。值得注意的是，DSETA已部署在滴滴的生产系统中，每天服务数亿次请求，并显著提升了ETA准确性。

我们的贡献概括如下：（1）我们提出了DSETA，一种新颖的ETA预测持续学习框架，能够在滴滴真实场景中显式捕获常规和不规则的交通模式。（2）我们设计了一种双阶段更新机制，将用于长期分布偏移的跨日更新与用于短期交通变化的日内更新区分开来。（3）我们开发了一种交通知识巩固模块，结合周信息回放和参数隔离，以缓解灾难性遗忘并保持稳定的性能。（4）我们在滴滴平台多个城市的真实大规模数据集上进行了广泛的离线和在线实验，证明了所提方法的有效性和鲁棒性。

## 2. 相关工作

到达时间估计。到达时间估计几十年来一直是一个关键研究领域。现有的ETA预测方法大致分为分而治之方法和端到端方法。

分而治之方法（Wang等人，2014（https://arxiv.org/html/2608.00402#bib.bib11）；Amirian等人，2016（https://arxiv.org/html/2608.00402#bib.bib9）；Wang等人，2019（https://arxiv.org/html/2608.00402#bib.bib10）；Liu和Meidani，2025（https://arxiv.org/html/2608.00402#bib.bib26））通过独立估计各路段的行程时间，随后将这些估计值聚合以进行整条路线的预测。然而，其局部化的关注本质上忽略了路线级上下文模式，如交通信号灯以及不同路段上驾驶员行为的差异。端到端方法（Wang等人，2018a（https://arxiv.org/html/2608.00402#bib.bib12）；Zhang等人，2018（https://arxiv.org/html/2608.00402#bib.bib16）；Fang等人，2020（https://arxiv.org/html/2608.00402#bib.bib7）；Fu等人，2020（https://arxiv.org/html/2608.00402#bib.bib17）；Derrow-Pinion等人，2021（https://arxiv.org/html/2608.00402#bib.bib13）；Huang等人，2022（https://arxiv.org/html/2608.00402#bib.bib8））通过直接学习路线级时空依赖关系解决了这些不足。通过将完整轨迹作为输入处理，这些方法捕获了整体交通交互——例如，对一个交叉路口的拥堵如何通过相连路段向上游传播进行建模。最近的进展包括WDR（Wang等人，2018b（https://arxiv.org/html/2608.00402#bib.bib14）），它将Wide&Deep架构与LSTM结合用于序列建模；以及HierETA（Chen等人，2022（https://arxiv.org/html/2608.00402#bib.bib15）），它利用层次注意力学习多粒度的路线表示。DutyTTE（Mao等人，2025（https://arxiv.org/html/2608.00402#bib.bib24））通过建模置信区间，专注于行程时间的不确定性量化。然而，这些方法在推理过程中的静态特性使其在面对分布偏移时性能欠佳，而且它们对周期性模式学习的依赖，在预测偏离历史常态的不规则出行行为时效果不佳。

交通预测中的持续学习。交通预测已从传统的统计模型发展到现代深度学习方法。早期方法（Chandra和Al-Deek，2009（https://arxiv.org/html/2608.00402#bib.bib40）；Kumar和Vanajakshi，2015（https://arxiv.org/html/2608.00402#bib.bib41））侧重于捕获线性时间依赖关系，但难以处理复杂模式。深度学习的出现引入了基于GNN的方法（Wu等人，2019（https://arxiv.org/html/2608.00402#bib.bib42）；Bai等人，2020（https://arxiv.org/html/2608.00402#bib.bib43）；Zhao等人，2023（https://arxiv.org/html/2608.00402#bib.bib46）；Su和Wu，2025（https://arxiv.org/html/2608.00402#bib.bib25））和基于注意力机制的方法（Guo等人，2019（https://arxiv.org/html/2608.00402#bib.bib48）；Liu等人，2023（https://arxiv.org/html/2608.00402#bib.bib49）；Jiang等人，2023（https://arxiv.org/html/2608.00402#bib.bib50）；Li等人，2025（https://arxiv.org/html/2608.00402#bib.bib27））。虽然这些方法取得了显著性能，但它们难以适应非平稳的交通模式和分布偏移。

持续学习（CL）旨在使模型能够学习新知识，从而在动态学习环境中提高效率和适应性。

一些研究（Yu等人，2021（https://arxiv.org/html/2608.00402#bib.bib34）；Shao等人，2021（https://arxiv.org/html/2608.00402#bib.bib51））利用CL通过促进模型更新而非重新训练来降低计算成本。另一些工作（Chen等人，2021（https://arxiv.org/html/2608.00402#bib.bib53）；Wang等人，2023（https://arxiv.org/html/2608.00402#bib.bib55））利用CL来处理长期流式网络中交通流的演变。此外，一些研究（Nallaperuma等人，2019（https://arxiv.org/html/2608.00402#bib.bib52）；Xiao等人，2019（https://arxiv.org/html/2608.00402#bib.bib54））集中于使用CL来缓解非平稳交通数据中的分布漂移问题。在ETA预测中，iETA（Han等人，2023（https://arxiv.org/html/2608.00402#bib.bib1））引入了一种增量学习框架，利用新到达的交通数据动态更新模型参数，同时保留历史知识。然而，现有的CL方法主要使用新数据更新模型，而没有显式地分离…