面向动态个性化拼车服务的机器学习排序算法

拼车通过让驾驶者与行程和时间安排相似的出行者共享车辆，有望显著有助于减少城市交通拥堵和污染。已设计若干拼车匹配服务，以在给定驾驶者与潜在乘客池中高效找到成功的乘车匹配。然而，现在公认除简单出行需求外，许多非货币方面和社会考量可能影响个体共享乘车的意愿，这些难以预测。为解决此问题，在本研究中我们提出 GoTogether，一种用于拼车服务的推荐系统，它利用学习排序（learning-to-rank）技术从用户的选择历史（即接受或拒绝的共享乘车类型）中自动推导其个性化排序模型。随后，GoTogether 构建推荐乘车列表以最大化所提供匹配的成功率。为测试我们方案的性能，我们使用来自 Twitter 和 Foursquare 的真实数据，以生成大都市区中合理出行模式与乘车请求的数据集。结果显示，所提方案在静态与动态条件下均能快速获得对用户个性化选择模型的准确预测。