🤖 machine learning

DSETA: A Dual-Stage Continual Learning Framework for Travel Time Prediction in Dynamic Traffic Environments

El artículo propone DSETA, un marco de aprendizaje continuo de dos etapas que integra la adaptación en tiempo real intradía y la consolidación histórica interdía para abordar eficazmente los patrones de tráfico dinámicos y prevenir el olvido catastrófico, logrando mejoras significativas en la precisión del sistema de predicción de ETA de producción de DiDi en múltiples ciudades principales.

Autores originales: Yanming Lyu, Yue Cheng, Lingkun Li, Ruipeng Gao, Xinyue Liu, Hui Gao, Qiang Ni

Publicado 2026-08-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yanming Lyu, Yue Cheng, Lingkun Li, Ruipeng Gao, Xinyue Liu, Hui Gao, Qiang Ni

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de adivinar cuánto tiempo tardarás en llegar de tu casa a la fiesta de un amigo. En un mundo perfecto, el tráfico sería como un metrónomo: constante, predecible y el mismo todos los días. Pero en el mundo real, el tráfico es más como una fiesta de baile caótica. A veces, un accidente sorpresa bloquea la carretera, a veces un día festivo trae una inundación de coches extra, y a veces se abre una nueva calle, cambiando todo el ritmo de la ciudad. Este es el mundo de la predicción del ETA (Tiempo Estimado de Llegada), un trabajo superimportante para las aplicaciones de transporte como DiDi o Uber. Si la aplicación falla en su cálculo, podrías llegar tarde, o el conductor podría quedarse atrapado en un atasco que no esperaba.

Durante mucho tiempo, las computadoras intentaron resolver esto mirando el historial. Decían: "El martes pasado a las 5 PM, tomó 20 minutos, así que hoy tomará 20 minutos". Pero este enfoque es como intentar navegar por un océano tormentoso con un mapa del año pasado; funciona bien cuando el clima está tranquilo, pero falla estrepitosamente cuando llega una tormenta repentina. Aquí es donde entra el Aprendizaje Continuo (Continual Learning). Piensa en esto como un cerebro que no solo memoriza hechos, sino que sigue aprendiendo cosas nuevas cada día sin olvidar las anteriores. El gran desafío es equilibrar dos cosas: recordar los patrones habituales (como la hora punta cada mañana) mientras se reacciona instantáneamente a eventos extraños y únicos (como un desfile o un choque). Si la computadora aprende demasiado sobre el desfile, podría olvidar que la hora punta suele ocurrir a las 5 PM. Si aprende demasiado sobre la rutina habitual, no sabrá que el desfile está ocurriendo en este momento.

Este es exactamente el rompecabezas que los investigadores de la Universidad de Jiaotong de Beijing y DiDi se propusieron resolver con un nuevo marco llamado DSETA. Se dieron cuenta de que el tráfico tiene dos "velocidades" de cambio diferentes: cambios rápidos que ocurren dentro de un mismo día, y cambios lentos que ocurren a lo largo de semanas o meses. Para manejar esto, construyeron un sistema de aprendizaje de dos etapas que actúa como un conductor con dos juegos de ojos diferentes.

Primero, está la etapa intra-diaria (el ojo del "día de hoy"). Esta parte del sistema está hiperalerta a lo que está sucediendo justo ahora. Observa los datos en tiempo real, minuto a minuto, para captar sorpresas repentinas. Si ocurre un accidente de coche o comienza una oleada de tráfico por un día festivo, esta etapa ajusta instantáneamente la predicción. Es como un conductor que ve un semáforo en rojo más adelante e inmediatamente reduce la velocidad, incluso si el mapa decía que la carretera estaba despejada hace cinco minutos. Para asegurar que esta reacción rápida no haga que el conductor olvide cómo conducir normalmente, utilizan un truco ingenioso llamado Aislamiento de Parámetros (Parameter Isolation). Imagina que el cerebro del conductor tiene dos partes: una "Mano Firme" que conoce las reglas básicas de la carretera (como cuánto suele tardar una calle específica) y un "Reflejo Rápido" que maneja giros repentinos. El sistema congela la "Mano Firme" para que no se confunda con el caos, mientras permite que solo el "Reflejo Rápido" aprenda de los nuevos y desordenados datos.

Segundo, está la etapa inter-diaria (el ojo de "largo plazo"). Esta parte se despierta una vez al día para observar el panorama general. Pregunta: "¿Cómo ha cambiado la ciudad en las últimas semanas?". Tal vez se abrió una nueva carretera, o las estaciones están cambiando, desplazando el horario en que la gente suele ir a trabajar. Esta etapa utiliza un método llamado Replay de Información Semanal (Weekly Information Replay), que es como revisar un video de los mejores momentos de las últimas semanas. Asegura que el sistema recuerde que los martes suelen ser concurridos, incluso si hoy fue un martes extraño y tranquilo. También utiliza la Destilación de Conocimiento (Knowledge Distillation), una forma elegante de decir que verifica sus nuevos cálculos contra su conocimiento antiguo y confiable para asegurarse de que no desaprenda accidentalmente lo básico.

Los investigadores probaron este sistema con datos reales de DiDi, cubriendo millones de viajes en ciudades como Beijing, Wuhan y Xi'an. No solo realizaron simulaciones; realmente implementaron DSETA en la aplicación real y permitieron que predijera viajes para usuarios reales. Los resultados fueron impresionantes. En Beijing, el sistema redujo el error promedio de predicción en un 6.62%. En Wuhan, redujo el error en un 0.73%, y en Xi'an, en un 2.40%. Más importante aún, hizo que la aplicación fuera mucho más confiable durante los tiempos caóticos. La tasa de "malos casos" —donde la predicción era erróneamente disparatada— disminuyó significamente, lo que significa menos conductores atrapados en atascos inesperados y menos pasajeros esperando más de lo debido.

Lo que es realmente genial es que este sistema es robusto. Incluso si la computadora se ocupa y pierde algunas actualizaciones rápidas durante el día, el sistema no colapsa ni da consejos terribles. Tiene una red de seguridad que sigue utilizando la última predicción buena hasta que la nueva esté lista. Los investigadores descubrieron que este enfoque de dos etapas funciona mejor que los métodos antiguos que intentaban aprender todo a la vez. Al separar el aprendizaje "rápido" del aprendizaje "lento", DSETA logra ser tanto flexible como estable.

Al final, DSETA demuestra que la mejor manera de predecir el futuro en un mundo caótico no es intentar memorizar cada detalle individual, sino tener un sistema que sepa cuándo prestar atención al presente y cuándo recordar el pasado. Es un poco como un taxista experimentado que conoce el ritmo habitual de la ciudad, pero también sabe cómo reaccionar instantáneamente cuando un desfile bloquea la calle. Gracias a este marco, las aplicaciones de transporte ahora pueden darte una estimación de tiempo que no es solo una suposición basada en la historia, sino una predicción inteligente y viva que se adapta a la ciudad mientras esta respira y cambia.

Resumen Técnico: DSETA

Planteamiento del Problema

La predicción del Tiempo Estimado de Llegada (ETA) es un pilar fundamental de los sistemas de transporte inteligentes, crucial para la asignación de viajes en plataformas de transporte privado, la planificación de rutas y la fijación dinámica de precios. Sin embargo, mantener una alta precisión en ciudades grandes y dinámicas presenta desafíos significativos debido a la naturaleza no estacionaria del tráfico. Los modelos de aprendizaje profundo existentes, aunque efectivos para capturar dependencias espaciotemporales, suelen permanecer estáticos durante la inferencia, lo que conduce a un rendimiento subóptimo cuando se enfrentan a cambios en la distribución.

Los autores identifican tres desafíos industriales específicos que los métodos actuales de Aprendizaje Continuo (CL) no logran abordar adecuadamente:

Patrones de Tráfico Dinámicos Inciertos: Los modelos actuales luchan por predecir los ETA bajo condiciones irregulares (por ejemplo, accidentes, días festivos) que causan desviaciones rápidas y significativas de las normas históricas. En la plataforma de DiDi, tal congestión irregular representó aproximadamente el 60% de los fallos de predicción mayores en 2024.
Patrones Temporales Mixtos de Múltiples Escalas: Los marcos de trabajo existentes a menudo no logran distinguir entre fluctuaciones a corto plazo (eventos transitorios como accidentes) y cambios de distribución a largo plazo (tendencias estacionales, evolución de la red vial). Tratar estas señales heterogéneas de manera uniforme oscurece la verdadera dinámica del tráfico.
Olvido Catastrófico: Las estrategias de actualización estándar corren el riesgo de no aprender las nuevas distribuciones o de sobreajustarse a los datos recientes, lo que provoca que el modelo olvide patrones de tráfico recurrentes y fundamentales para las operaciones diarias.

Metodología: Marco de Trabajo DSETA

Para abordar estos desafíos, los autores proponen DSETA (Dual-Stage ETA), un marco de actualización incremental que descompone el aprendizaje continuo en dos etapas complementarias: Intradiaria e Interdiaria.

1. Arquitectura del Modelo Base

El predictor subyacente se basa en una arquitectura DeepFM, elegida por su eficacia en la modelización de correlaciones espaciotemporales. Consta de:

Módulo Ancho (Wide Module): Aprende características globales y a nivel de ruta (por ejemplo, ID de conductor, día de la semana, par OD, clima) mediante proyecciones de incrustación (embeddings) y capas lineales generalizadas.
Módulo Profundo (Deep Module): Modela información detallada a nivel de enlace (por ejemplo, ID de enlace, longitud, estado de congestión) utilizando una red totalmente conectada de dos capas.
Salida: Un MLP de 3 capas combina las representaciones de ambos módulos para predecir el tiempo de viaje.

2. Aprendizaje Continuo de Dos Etapas

La innovación central reside en la separación del proceso de aprendizaje por escala temporal:

Etapa Intradiaria (Adaptación a Corto Plazo):
- Objetivo: Adaptarse rápidamente a las fluctuaciones del tráfico a corto plazo causadas por eventos transitorios (accidentes, días festivos).
- Mecanismo: Utiliza datos de transmisión en tiempo real recolectados en ventanas horarias dentro de un mismo día.
- Estrategia de Aislamiento de Parámetros: Para evitar el olvido catastrófico de los patrones estables, los parámetros del modelo se dividen en un componente congelado ( $u$ , el Módulo Ancho) y un componente adaptativo ( $v$ , el Módulo Profundo). Solo el Módulo Profundo se actualiza utilizando el lote de datos actual, preservando la estabilidad de las características globales mientras permite la sensibilidad a las dinámicas locales y en tiempo real.
Etapa Interdiaria (Adaptación a Largo Plazo):
- Objetivo: Capturar cambios de distribución a largo plazo, tales como tendencias estacionales y la evolución de la red vial.
- Mecanismo: Ocurre en la transición entre días, utilizando datos históricos agregados de una ventana de observación corta (por ejemplo, 3-5 semanas).
- Replay de Información Semanal: Para mitigar el olvido, el conjunto de datos de entrenamiento se construye reproduciendo (replay) datos del mismo día de la semana (subconjunto objetivo) junto con datos de otros días (subconjunto genérico). Esto refuerza las estructuras temporales persistentes.
- Destilación de Conocimiento: La función de pérdida incluye un término de destilación que penaliza la divergencia respecto al estado del modelo del día anterior, asegurando una adaptación suave a los cambios a largo plazo sin perder el conocimiento histórico.

3. Arquitectura del Sistema y Tolerancia a Fallos

El sistema está diseñado para un despliegue industrial de alta concurrencia (por ejemplo, QPS $\ge$ 10k). Emplea un Mecanismo de Tolerancia a Fallos de Servicio que cuenta con:

Almacenamiento de Parámetros en Búfer: Los parámetros intermedios se almacenan en un búfer temporal, sin afectar el servicio en vivo.
Actualizaciones Atómicas: El cambio de modelo ocurre solo si la desviación de los parámetros está dentro de un umbral seguro; de lo contrario, el sistema revierte al modelo estable anterior.
Recuperación por Tiempo de Espera (Timeout): Si el entrenamiento excede un límite de tiempo, el sistema vuelve automáticamente al último estado conocido que funcionaba correctamente.

Principales Contribuciones

Marco de Trabajo DSETA: Un novedoso marco de aprendizaje continuo que captura explícitamente tanto los patrones de tráfico regulares como los irregulares mediante la separación del aprendizaje en etapas interdiarias e intradiarias.
Mecanismo de Actualización de Dos Etapas: Un diseño específico que distingue los cambios de distribución a largo plazo (gestionados mediante actualizaciones interdiarias con destilación de conocimiento) de las variaciones a corto plazo (gestionadas mediante actualizaciones intradiarias con datos en tiempo real).
Módulo de Consolidación de Conocimiento: Una combinación de Replay de Información Semanal (para preservar las tendencias estructurales semanales) y Aislamiento de Parámetros (para proteger las características globales estables durante las actualizaciones volátiles) para mitigar eficazmente el olvido catastrófico.
Validación Industrial: Experimentos extensos offline y online en conjuntos de datos reales de la plataforma de DiDi, demostrando robustez en múltiples ciudades y condiciones de tráfico.

Resultados Experimentales

Los autores evaluaron DSETA utilizando conjuntos de datos offline de Beijing y pruebas A/B online en Beijing, Wuhan y Xi'an.

Rendimiento Offline (Beijing): DSETA superó a las líneas base de vanguardia (incluyendo WDR, HierETA e iETA) en todas las métricas.
- MAE: Se redujo a 110.21s (frente a 113.14s de iETA).
- Tasa de Casos Malos (Bad Case Rate): Se redujo a 3.72% (frente a 4.07% de iETA), indicando una fiabilidad significativamente mejorada bajo condiciones desafiantes.
- Precisión de 2 Minutos: Alcanzó un 69.70%.
- Estudios de Ablación: Confirmaron que eliminar la etapa intradiaria o la interdiaria, o los mecanismos de consolidación de conocimiento, provocaba una degradación medible del rendimiento, validando la necesidad del diseño de dos etapas.
Pruebas A/B Online: Realizadas durante dos semanas (incluyendo un periodo de 6 días festivos) en tres ciudades.
- Beijing: Reducción del MAE de 6.62%.
- Wuhan: Reducción del MAE de 0.73%.
- Xi'an: Reducción del MAE de 2.40%.
- Experiencia del Usuario: DSETA redujo consistentemente las tasas de quejas de los usuarios, observándose las mejoras más significativas durante los días festivos, cuando los patrones de tráfico son más irregulares.
- Eficiencia: El marco mantuvo una latencia comparable al grupo de control de la línea base incluso bajo altas cargas de consultas (hasta 6000 QPS), demostrando la eficacia de los mecanismos de tolerancia a fallos.

Significado

El artículo afirma que DSETA logra cerrar la brecha entre la investigación académica de aprendizaje continuo y los requisitos de despliegue industrial. Al separar explícitamente la volatilidad a corto plazo de los cambios estructurales a largo plazo, el marco aborda la limitación crítica de los modelos existentes que no logran adaptarse a eventos irregulares o sufren de olvido catastrófico de los patrones regulares.

Los autores enfatizan que DSETA ha sido desplegado con éxito en el entorno de producción de DiDi, procesando cientos de millones de solicitudes diarias. Este despliegue valida la capacidad del marco para mantener una alta precisión de predicción y estabilidad del sistema en un entorno real de alto rendimiento, mejorando directamente la experiencia del usuario y la eficiencia de la plataforma en entornos de tráfico dinámicos.