論文の概要: Short term prediction of demand for ride hailing services: A deep
learning approach
- arxiv url: http://arxiv.org/abs/2212.03956v1
- Date: Wed, 7 Dec 2022 21:08:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-09 16:45:46.926427
- Title: Short term prediction of demand for ride hailing services: A deep
learning approach
- Title（参考訳）: 配車サービス需要の短期予測--ディープラーニングによるアプローチ
- Authors: Long Chen, Piyushimita (Vonu) Thakuriah, Konstantinos Ampountolas
- Abstract要約: 本稿では,配車サービス需要の短期予測のためのディープラーニング畳み込みニューラルネットワークUberNetを提案する。
UberNetのパフォーマンスを他のいくつかのアプローチと比較することにより、モデルの予測品質が極めて競争力があることを示す。
これはUbernetが、配車サービスのリアルタイム旅客需要予測に複雑なモチベーターを含めるのに、より自然に適していることを示唆している。
- 参考スコア（独自算出の注目度）: 8.61268901380738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As ride-hailing services become increasingly popular, being able to
accurately predict demand for such services can help operators efficiently
allocate drivers to customers, and reduce idle time, improve congestion, and
enhance the passenger experience. This paper proposes UberNet, a deep learning
Convolutional Neural Network for short-term prediction of demand for
ride-hailing services. UberNet empploys a multivariate framework that utilises
a number of temporal and spatial features that have been found in the
literature to explain demand for ride-hailing services. The proposed model
includes two sub-networks that aim to encode the source series of various
features and decode the predicting series, respectively. To assess the
performance and effectiveness of UberNet, we use 9 months of Uber pickup data
in 2014 and 28 spatial and temporal features from New York City. By comparing
the performance of UberNet with several other approaches, we show that the
prediction quality of the model is highly competitive. Further, Ubernet's
prediction performance is better when using economic, social and built
environment features. This suggests that Ubernet is more naturally suited to
including complex motivators in making real-time passenger demand predictions
for ride-hailing services.
- Abstract（参考訳）: 配車サービスが普及するにつれて、そうしたサービスの需要を正確に予測することは、ドライバーを顧客に効率的に割り当て、アイドル時間を短縮し、混雑を改善し、乗客体験を向上させるのに役立つ。
本稿では,配車サービス需要の短期予測のためのディープラーニング畳み込みニューラルネットワークUberNetを提案する。
UberNetは、文献で見つかった時間的および空間的な特徴を活用して、配車サービスの需要を説明する多変量フレームワークを運用している。
提案モデルは,様々な特徴の源列を符号化し,予測系列を復号する2つのサブネットワークを含む。
UberNetのパフォーマンスと有効性を評価するために、2014年のUberピックアップデータの9ヶ月と、ニューヨーク市の28の空間的および時間的特徴を使用します。
UberNetのパフォーマンスを他のいくつかのアプローチと比較することにより、モデルの予測品質が極めて競争力があることを示す。
さらに、ubernetの予測性能は、経済的、社会的、構築された環境機能を使用する場合に優れている。
これは、ubernetが配車サービスのリアルタイム乗客需要予測に複雑なモチベーションを組み込むのに自然に適していることを示唆している。
関連論文リスト
- STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network
for Enhanced Long-Term Taxi Demand Prediction [16.07685260834701]
本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。
転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。
その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-26T07:37:50Z) - A greedy approach for increased vehicle utilization in ridesharing
networks [0.3480973072524161]
ライドシェアリングプラットフォームは 都市部の住民にとって 顕著な交通手段になっています
道路網全体からウィンドウへの探索空間を削減できるk-hopベースのスライディングウインドウ近似アルゴリズムを提案する。
実世界のデータセット上で提案したモデルを評価し,実験結果から提案モデルによる優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-02T07:25:01Z) - A Baselined Gated Attention Recurrent Network for Request Prediction in
Ridesharing [1.0312968200748118]
ライドシェアリングは、ドライバーと乗客の両方にとって利便性とコスト効率のため、世界的に人気がある。
RSODP(Origin-Destination Prediction for Ride Share)問題の目的は、将来の配車要求を予測し、事前に車両のスケジュールを提供することである。
既存の予測モデルの多くはDeep Learningを利用しているが、空間力学と時間力学の両方を効果的に考慮していない。
論文 参考訳（メタデータ） (2022-07-11T08:41:24Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。
DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。
その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-06-08T16:27:04Z) - Joint predictions of multi-modal ride-hailing demands: a deep multi-task
multigraph learning-based approach [64.18639899347822]
本稿では、複数のマルチグラフ畳み込み(MGC)ネットワークを組み合わせて、異なるサービスモードの要求を予測する深層マルチタスクマルチグラフ学習手法を提案する。
提案手法は,様々な配車モードの予測精度において,ベンチマークアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-11T07:10:50Z) - Unsatisfied Today, Satisfied Tomorrow: a simulation framework for
performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。
このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。
シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
論文 参考訳（メタデータ） (2020-10-30T10:03:48Z) - Understanding the Dynamics of Drivers' Locations for Passengers Pickup
Performance: A Case Study [2.9478082283896065]
予約要求時のドライバーと乗客の位置を、ドライバーのピックアップパフォーマンスの文脈で分析する。
また,すべてのトラジェクトリデータを用いることなく,予約要求のタイムリーピックアップを予測する可能性についても検討する。
論文 参考訳（メタデータ） (2020-09-09T05:07:03Z) - Travel Time Prediction using Tree-Based Ensembles [4.74324101583772]
本稿では,都市シナリオにおける2つの任意の地点間の移動時間予測の課題について考察する。
我々はこの問題を2つの時間的視点から見る: 長期予測は数日間、短期予測は1時間である。
論文 参考訳（メタデータ） (2020-05-28T07:43:54Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - It Is Not the Journey but the Destination: Endpoint Conditioned
Trajectory Prediction [59.027152973975575]
フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。
PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。
我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
論文 参考訳（メタデータ） (2020-04-04T21:27:13Z)
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。