网约车服务需求的短期预测：一种深度学习方法
机器学习
2022-12-19 v1 计算机与社会
摘要
随着网约车服务日益普及，准确预测此类服务的需求可帮助运营商高效调配司机与乘客、减少空驶时间、缓解拥堵并提升乘客体验。本文提出 UberNet，一种用于网约车服务需求短期预测的深度卷积神经网络。UberNet 采用多变量框架，利用文献中已证实可解释网约车服务需求的若干时空特征。所提模型包含两个子网络，分别用于编码多源特征序列和解码预测序列。为评估 UberNet 的性能与有效性，我们使用 2014 年纽约市 9 个月的 Uber 上车数据及 28 个时空特征。通过将 UberNet 与若干其他方法比较，表明该模型的预测质量极具竞争力。此外，当引入经济、社会和建成环境特征时，UberNet 的预测表现更优，这表明其更天然地适用于在网约车服务实时乘客需求预测中纳入复杂驱动因素。
引用
@article{arxiv.2212.03956,
title = {Short term prediction of demand for ride hailing services: A deep learning approach},
author = {Long Chen and Piyushimita and Thakuriah and Konstantinos Ampountolas},
journal= {arXiv preprint arXiv:2212.03956},
year = {2022}
}