論文の概要: Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference
Approach
- arxiv url: http://arxiv.org/abs/2201.12696v1
- Date: Sun, 30 Jan 2022 01:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 19:59:15.250023
- Title: Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference
Approach
- Title（参考訳）: ライダートリップにおける共有行動:機械学習推論アプローチ
- Authors: Morteza Taiebat, Elham Amini, Ming Xu
- Abstract要約: 共有乗車を希望する乗客の意思は、一年を通して27.0%から12.8%へと単調に低下している。
共有の好みの低下は、共有旅行の1マイル当たりのコストの増加と、単独への短い旅行のシフトによるものである。
- 参考スコア（独自算出の注目度）: 1.9111219197011353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ride-hailing is rapidly changing urban and personal transportation. Ride
sharing or pooling is important to mitigate negative externalities of
ride-hailing such as increased congestion and environmental impacts. However,
there lacks empirical evidence on what affect trip-level sharing behavior in
ride-hailing. Using a novel dataset from all ride-hailing trips in Chicago in
2019, we show that the willingness of riders to request a shared ride has
monotonically decreased from 27.0% to 12.8% throughout the year, while the trip
volume and mileage have remained statistically unchanged. We find that the
decline in sharing preference is due to an increased per-mile costs of shared
trips and shifting shorter trips to solo. Using ensemble machine learning
models, we find that the travel impedance variables (trip cost, distance, and
duration) collectively contribute to 95% and 91% of the predictive power in
determining whether a trip is requested to share and whether it is successfully
shared, respectively. Spatial and temporal attributes, sociodemographic, built
environment, and transit supply variables do not entail predictive power at the
trip level in presence of these travel impedance variables. This implies that
pricing signals are most effective to encourage riders to share their rides.
Our findings shed light on sharing behavior in ride-hailing trips and can help
devise strategies that increase shared ride-hailing, especially as the demand
recovers from pandemic.
- Abstract（参考訳）: ライドシェアリングは急速に都市や個人の交通手段を変えつつある。
ライドシェアリングやプーリングは、渋滞の増加や環境への影響など、ライドシェアリングの負の外部性を軽減するために重要である。
しかし、ライドシェアリングにおける旅行レベルの共有行動にどのような影響を及ぼすかという実証的な証拠は存在しない。
2019年、シカゴの全てのライドシェアリング旅行から得られた新しいデータセットを用いて、共有乗車を要求する乗客の意欲が、年間を通じて27.0%から12.8%に低下し、旅行量と走行距離は統計的に変化していないことを示した。
共有の好みの低下は、共有旅行の1マイル当たりのコストの増加と、単独への短い旅行のシフトによるものである。
アンサンブル機械学習モデルを用いて,トリップインピーダンス変数(トリップコスト,距離,持続時間)が,トリップの共有が要求されているか,共有が成功したかの判定において,予測力の95%と91%に総じて寄与することが分かった。
時間的・時間的属性、社会デモグラフィ、構築された環境、交通供給変数は、これらの旅行インピーダンス変数が存在する場合、トリップレベルでの予測電力を伴わない。
これは、料金の信号が乗客の乗車を奨励するのに最も効果的であることを意味する。
今回の調査結果は、配車旅行におけるシェアリング行動に光を当て、特にパンデミックから需要が回復する中、シェアリングを増加させる戦略の策定に役立ちます。
関連論文リスト
- A Framework for Assessing Cumulative Exposure to Extreme Temperatures During Transit Trip [2.524998184697547]
本研究は, 過酷な温度下での乗務員の露出を評価するための枠組みを提案する。
HeatPath AnalyzerはTransitSim 4.0を使用して、秒単位のトリップトラジェクトリを生成する。
この枠組みは、極端な暑さと冬の寒さの影響を評価する。
論文 参考訳（メタデータ） (2024-08-07T20:47:39Z) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer
Ridesharing [84.47891614815325]
本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。
P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。
結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
論文 参考訳（メタデータ） (2021-10-04T02:14:49Z) - Shifting Mobility Behaviors in Unprecedented Times: Intentions to Use
On-demand Ride Services During the COVID-19 Pandemic [0.0]
新型コロナウイルスは人々の日常生活や移動行動において大きな破壊力となっている。
タクシーや配車といったオンデマンド配車サービスの需要は、特に影響を受けている。
本研究では,生活習慣や日常の急激な変化にともなって,オンデマンド乗車サービスを利用する意図について検討した。
論文 参考訳（メタデータ） (2021-08-05T00:41:59Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - Driving-Signal Aware Full-Body Avatars [49.89791440532946]
そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。
我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。
仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-05-21T16:22:38Z) - Beyond the Dichotomy: How Ride-hailing Competes with and Complements
Public Transport [2.5199066832791535]
私たちは米国と欧州の6都市でUberの旅行データを使って、乗車ごとに最も魅力的な公共交通機関を特定しています。
配車サービスの大半には公共交通機関の代替手段があるが、20%から40%には公共交通機関の代替手段がない。
論文 参考訳（メタデータ） (2021-04-09T06:40:46Z) - The Benefits of Autonomous Vehicles for Community-Based Trip Sharing [20.51380943801894]
この研究はHasanらによって提案されたコミュニティベースの旅行共有の概念を再考する。
自動運転車のメリットを、コミュニティベースの旅行共有に定量化することを目的としている。
最適化の結果は、自動運転車を利用して1日あたりの車両使用量を92%削減し、元の通勤トリップシェアリング問題の結果を34%改善し、また1日あたりの走行距離を約30%削減できることを示している。
論文 参考訳（メタデータ） (2020-08-28T18:12:13Z) - Modeling and Analysis of Excess Commuting with Trip Chains [3.728629802579785]
この研究は、従来の過剰通勤研究が実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価していることを示している。
フロリダ州タンパベイ地域のケーススタディに基づいて、従来の過剰通勤研究は実際の通勤と最適な通勤の両方を過小評価し、過剰通勤を過小評価している。
論文 参考訳（メタデータ） (2020-08-25T14:54:04Z) - Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy [47.47879093076968]
私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。
特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
論文 参考訳（メタデータ） (2020-08-07T22:01:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。