基于大规模网约车行程数据的K-原型聚类分析
计算机与社会
2020-11-02 v1 机器学习
机器学习
摘要
共享出行按需服务正在全球各城市中迅速扩张。作为突出代表，基于应用的网约车正成为许多城市交通生态系统的重要组成部分。尽管其地位核心，但网约车行程详细时空数据的公开可用性有限，制约了关于新服务如何与传统出行方式互动及其如何影响城市出行的研究。数据共享协议的改善正为该领域研究打开前所未有的机遇。本研究利用芝加哥市近期发布的公开网约车数据考察新兴出行模式。将详细的时空网约车数据与天气、公交及出租车数据相匹配，以深入理解网约车在芝加哥出行系统中的作用。目标是调查网约车使用量的系统性差异。由于K-原型能够接受混合变量数据类型，故利用其来检测用户细分。作为K-means算法的扩展，其输出是将数据分类为若干称为原型的簇。基于在恶劣天气条件、与替代方式的竞争、使用地点与时间以及拼车倾向方面的显著差异，识别并讨论了六种网约车原型。本文讨论了所识别簇在可负担性、公平性以及与公交竞争方面的启示。
引用
@article{arxiv.2006.13924,
title = {K-Prototype Segmentation Analysis on Large-scale Ridesourcing Trip Data},
author = {J Soria and Y Chen and A Stathopoulos},
journal= {arXiv preprint arXiv:2006.13924},
year = {2020}
}