4月29日报道，为持续推进出行时长估算问题研究，滴滴携手该领域顶级国际会议ACM SIGSPATIAL GIS（地理信息系统）发布 ACM SIGSPATIAL GISCUP。
此次竞赛鼓励研究人员基于滴滴新开放的出行时长数据集，进一步提高时间估算的准确性。
预计到达时间（ETA）是智能交通和位置信息服务中一个至关重要、复杂且具有挑战性的问题。
不仅需要考虑交通系统的空间特征，如道路拓扑、通行红绿灯数量、红绿灯相位周期等；还需要考虑交通系统的时间特征，如早晚高峰的经常性拥堵和交通事故造成的零星拥堵。
同时，由于交通系统的运行需要人和车辆的主要参与，不同的驾驶习惯以及雨雾天行驶速度的干扰也会对时长估算产生影响。
如何不断提高预测的准确性也成为学术界和工业界不断研究和探索的问题。
ACM SIGSPATIAL是由国际计算机学会ACM空间信息专业委员会主办的学术会议。
其举办的ACM SIGSPATIAL GISCUP竞赛每年都吸引来自世界各地的科研人员。
在今年的挑战中，滴滴地图通过“滴滴盖亚数据开放计划”向外界开放了脱敏数据集，其中包括2019年8月深圳的脱敏出行时间数据，涉及出发时间、路线信息、交通信息、天气和道路网络拓扑信息等多维特征不包含任何个人信息。
参赛者需要灵活地利用这些特征数据组合来设计时长估计计算方案，以最小化全局时长估计误差。
即日起，参赛者可在biendata平台注册参加比赛（biendata竞赛平台已开放，比赛将采用A/B榜竞赛机制，其中B榜成绩将于8月2日刷新，比赛结果将于8月31日公布，总奖金为0，前五名获胜团队将受邀参加11月在北京举行的SIGSPATIAL大会，并在会上分享他们的比赛计划。
今年开始推出，现已广泛应用于出行前预计接车时间、订单派送、调度拼车、导航路线决策、预计到达时间计算等系统决策。
旅行期间到达目的地。
通过引入深度学习技术，对海量真实出行轨迹、交通拥堵状况、天气状况等进行统一建模，滴滴地图可以快速进行大规模请求下的智能路线规划，并为用户预估到达时间。
目前，该预计到站时间错误率已降至10.5%，领先行业。
此次真实业务场景数据集的开放脱敏和挑战赛的举办，也希望通过开放协作的方式，支持全球开发者在智能交通方面进行更广泛的前沿研究，持续提高ETA估算的准确性，为用户提供更好的旅行体验。