驾车导航服务是数字地图提供的核心功能。通常而言，用户在发起导航之前会对比高德前端展示的三条路线（如下图），以决定按照哪条路线行驶。
而预估到达时间是用户参考的最为重要的指标之一。给定一条路线，对应的预估到达时间的计算需要两组信息输入，分别是实时路况信息和历史速度信息（历史速度信息指的是对应的平均通行时间）。其中实时路况信息，对短时（例如60分钟以内）路况预测帮助较大；而历史速度信息对长时（例如60分钟以上）路况预测帮助较大。一般来说，对于未来2小时以上的路况预测而言，当前时刻的路况信息帮助十分有限，也可以理解为历史速度信息基本处于绝对主导的地位。
因此在长距离路线的预估到达时间计算中，历史速度至关重要，其预测的准确性直接影响预估到达时间，进而影响用户选择及体验。我们希望能够通过建模的方式提高历史速度的预测准确率。
历史平均法的不足以往预测历史速度的方式是历史平均值法，主要是将历史上过去某时间段同一特征日同一时间段（例如8:00-8:10）经过同一条路段的所有车辆的用时求平均，这种方法的假设是“历史即未来”。该方法对于3个月内常发性震荡走势比较适合，但针对有特定趋势的走势（如上升走势），效果不会太好。
该方法不足之处有以下三点：
对于异常点敏感
无法利用时域序列的演化趋势（trend）信息
无法利用去年同期的车辆行驶规律
下面我们用一个分析过的badcase来具体说明，如下图：
上图显示了北京市某路段在过去连续若干周里确定特征日（周五）及确定时间批次（12:10-12:20）上各自的平均旅行时间。如图所示，近期旅行时间已逐渐升高，且去年同期旅行时间也已经升高，但是使用历史平均值法计算的历史速度信息却显著偏小，与未来一周对应时间段的真实旅行时间偏差近三倍。
通过前期的case调研分析，发现部分路段的历史速度曲线呈现出时效性、年度周期性特征。
上图为某段道路从20170501到20190103期间某个时间批次的旅行时间变化，可以发现，每到暑假期间，该路段旅行时间显著增大，呈现出明显的年度周期性。
本项目旨在解决历史平均值法存在的不足，其中，由于年度周期性问题导致的恶劣badcase占比较大，故着重解决年度周期性问题。
机器学习解题基于TCN模型的历史速度问题建模
历史平均值方法简单粗暴，但也能取得相当不错的效果，对于具有年度周期性&时效性的路段，仅仅通过统计近期的信息会损失一定的精度，这时把去年的相关信息融合进来就显得特别重要，该问题是个典型的时序建模问题，本文基于TCN构建历史速度周期性问题解决方案。
我们的目标是构建一个基于历史信息（某时间段&去年同期：同一段道路、确定特征日、确定时间批次）和道路属性来预测未来一周历史速度的机器学习模型，解决历史平均值法存在的问题，从历史速度信息维度提高预估到达时间的准确率，解决恶劣bacase。
TCN简介
时间卷积网络（TCN）可以作为一般的序列建模架构，且拥有非常好的效果。TCN显著的特点有如下几点：
架构中的卷积存在因果关系，这意味着从未来到过去不会存在信息泄漏。
卷积架构可以将任意长度的序列映射到固定长度的序列。
利用残差模块和空洞卷积来构建长期依赖关系。
TCN 论文图：TCN 架构的组成元素。左图为空洞系数 d=1, 2, 4、卷积核大小 k=3 的空洞因果卷积，感受野能覆盖输入序列中的所有值。右图为TCN 残差块，当残差输入和输出有不同的维度，我们会添加一个 1x1 的卷积。
网络架构