1.指南阅读驾驶导航是数字地图的核心用户场景。当用户计划导航时，AutoNavi Map将为用户提供3条路线选择，并且用户将根据自己的情况决定要遵循的路线。
同时，每条路线的预计到达时间（ETA）将直接显示给用户，这是用户关心的核心点之一。在用户指定了起点和终点之后，我们的任务是预测起点和终点的预计到达时间。
ETA的准确性越高，它将带给用户的旅行体验越好。 2.基于深度学习模型的探索和实践2.1模型选择ETA中的传统机器学习模型是更常用的回归预测模型，例如线性回归，RF（随机森林），GBDT（梯度提升决策树）。
线性模型的表达能力差，需要大量特征项目来预先分析有效特征；射频通过随机样本和特征随机方法引入更多的随机性，解决了决策树泛化能力弱的问题。 GBDT使用加法模型（即基函数的线性组合）和算法来不断减少训练过程中产生的残差以实现回归。
传统的机器学习模型相对简单易懂，可以取得很好的效果，但是存在两个问题：模型的表达能力与所选特征有关，有效特征需要事先进行人工分析。不考虑上游对下游部分的影响导致了诸如上游和下游相关信息的丢失以及下游受到上游影响所引起的不确定性之类的问题。
第一个问题已广为人知，深度学习模型可以弥补这一问题。对于第二个问题，以历史速度信息选择的不确定性为例进行说明。
历史速度信息是一个历史平均时间，它以10分钟为间隔区分从星期一到星期日的七个工作日。预期的进入时间是在10分钟的间隔内选择的。
如下图（历史平均速度）从0：00-24：00所示，可以看出，白天的速度值波动很大，尤其是在早晨和傍晚的高峰时段。选择历史平均时间时，它取决于估计的输入时间。
该时间取决于上游部分的估计通过时间。因此，其选择存在不确定性，从而导致ETA计算不准确。
考虑到上述问题的存在，我们选择使用RNN的时间序列思想将路线的上游和下游部分串联起来，以预测路段的预计到达时间。另外，考虑到RNN的长期依赖问题，并结合实际业务情况，我们选择使用LSTM模型进行建模。
LSTM门结构的选择性还使模型能够学习选择保留哪些上游特征信息以进行预测。 2.2网络体系结构上图是整个模型的框架，主要分为两部分。
LSTM模块用于预测路线中路段的ETA，N层全连接模块用于完成路段累积ETA和路线特征的ETA。预言。
2.3路段ETA预测上图是用于每个路段ETA预测的LSTM结构图。 Xt是路径中第t段的特征信息，主要包括相应的实时路况信息，历史路况信息和路段的静态特征。
LSTM最初是用于输入时间序列数据的模型。我们使用此想法将路线中的路段顺序依次输入模型。
2.4完整的路径ETA预测LSTM模块获得累积的路径ETA预测值后，结合路径的静态属性，使用完全连接的模块将其集成到最终输出的完整路径ETA预测值中。路线的属性特征主要是指一些人为提取的特征，例如路线的长度，启动导航计划的日期，早上和晚上的高峰时间等，以增强路线的表达能力。
在不同情况下的模型。损失函数采用线性回归的常用平方形式：MSE，公式如下：其中，N为路径数，ETA路径j为路径ETA，为预测值；用户的实际旅行时间j是路线上的用户的实际旅行时间，这是真实值。
3。