对 ridesharing 系统中请求前乘客等待时间可预测性和可解释性的初步探索

乘客等待时间预测在提升 ridesharing 用户体验和平台效率方面发挥着关键作用。虽然大多数现有研究聚焦于在知道匹配司机信息后进行请求后的等待时间预测，但请求前的等待时间预测（即在提交乘车请求且尚未匹配司机之前的预测）同样重要，因为它使乘客能够更有效地规划行程，从而提升乘客和司机的体验。然而，现有工作尚未充分探讨这一问题。本文迈出了理解 ridesharing 系统中请求前乘客等待时间可预测性和可解释性的第一步。特别是，我们进行深入的数据驱动研究，探讨需求与供给动态对乘客等待时间的影响。基于此分析和特征工程，我们提出了 FiXGBoost，一种基于特征交互的 XGBoost 模型，用于在不知道分配司机信息的情况下预测等待时间。我们进一步进行重要性分析，以量化每个因素的贡献。在包括超过 3000 万条 trip 记录的大规模真实世界 ridesharing 数据集上的实验表明，我们的 FiXGBoost 能够实现对请求前乘客等待时间预测的良好性能，同时具有高可解释性。