基于 Frailty-Aware Transformer 的叫车司机留存 recurrent 生存建模

叫车平台具有高频率、基于行为驱动的特征。尽管生存分析已应用于其他领域的递归事件建模，但在建模叫车司机行为方面仍 largely 未被探索。本研究将闲置行为建模为递归生存过程，利用大规模平台数据提出一种基于 Transformer 的框架，采用因果遮蔽捕捉长期时间依赖性，并纳入司机特定嵌入以建模潜在异质性。基于多伦多叫车数据的结果表明，所提出的 Frailty-Aware Cox Transformer (FACT) 在时序 C 指数和 Brier 得分方面取得最高值，优于经典和深度学习生存模型。该方法实现了更准确的风险估计，支持平台留存策略，并提供了政策相关见解。