使用集成超网络学习网约车系统中驾驶员的个性化效用函数

在网约车系统中，驾驶员根据订单特征、交通状况和个人偏好等因素决定是否接受或拒绝出行请求。准确预测这些决策对于提高这些系统的效率和可靠性至关重要。传统模型，如随机效用最大化 (RUM) 方法，通常通过假设属性间的线性相关性来预测驾驶员的决策。然而，这些模型往往存在不足，因为它们未能考虑属性之间的非线性交互，也不适应单个驾驶员独特且个性化的偏好。在本文中，我们开发了一种使用超网络和集成学习来学习个性化效用函数的方法。超网络根据行程请求数据和驾驶员档案动态生成线性效用函数的权重，从而捕获非线性关系。在不同数据段上训练的超网络集成通过引入受控随机性进一步提高了模型的适应性和泛化能力，从而减少了过拟合。我们在真实世界数据集中验证了我们的集成超网络模型在预测准确性和不确定性估计方面的性能。结果表明，我们的方法不仅能准确预测每位驾驶员的效用，还能有效平衡可解释性和不确定性量化的需求。此外，我们的模型作为揭示不同驾驶员个性化偏好的强大工具，清楚地说明了哪些属性在很大程度上影响了他们的接单决策。