論文の概要: A First Look at Predictability and Explainability of Pre-request Passenger Waiting Time in Ridesharing Systems

• arxiv url: http://arxiv.org/abs/2508.09027v1
• Date: Tue, 12 Aug 2025 15:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.487082
• Title: A First Look at Predictability and Explainability of Pre-request Passenger Waiting Time in Ridesharing Systems
• Title（参考訳）: ライドシェアリングシステムにおける予約予約待ち時間の予測可能性と説明可能性に関する一考察
• Authors: Jie Wang, Guang Wang,
• Abstract要約: 配車システムにおける乗客待ち時間の予測可能性と説明可能性を理解するための第一歩を踏み出した。 本稿では,FixGBoostを提案する。FixGBoostは,与えられたドライバー情報を知ることなく,待ち時間を予測できる新しい機能インタラクションベースのXGBoostモデルである。
• 参考スコア（独自算出の注目度）: 8.389786056600794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Passenger waiting time prediction plays a critical role in enhancing both ridesharing user experience and platform efficiency. While most existing research focuses on post-request waiting time prediction with knowing the matched driver information, pre-request waiting time prediction (i.e., before submitting a ride request and without matching a driver) is also important, as it enables passengers to plan their trips more effectively and enhance the experience of both passengers and drivers. However, it has not been fully studied by existing works. In this paper, we take the first step toward understanding the predictability and explainability of pre-request passenger waiting time in ridesharing systems. Particularly, we conduct an in-depth data-driven study to investigate the impact of demand&supply dynamics on passenger waiting time. Based on this analysis and feature engineering, we propose FiXGBoost, a novel feature interaction-based XGBoost model designed to predict waiting time without knowing the assigned driver information. We further perform an importance analysis to quantify the contribution of each factor. Experiments on a large-scale real-world ridesharing dataset including over 30 million trip records show that our FiXGBoost can achieve a good performance for pre-request passenger waiting time prediction with high explainability.
• Abstract（参考訳）: 乗客待ち時間予測は、ライドシェアリングユーザエクスペリエンスとプラットフォームの効率性の両方を高める上で重要な役割を果たす。 既存のほとんどの研究は、一致したドライバー情報を知ることによる予約後待ち時間予測に重点を置いているが、乗客がより効果的に旅行を計画し、乗客とドライバーの両方の体験を向上させることができるため、予約前待ち時間予測(例えば、乗車要求を提出する前にドライバーと一致しない)も重要である。 しかし、現存する作品からは完全には研究されていない。 本稿では,配車システムにおける予約予約待ち時間の予測可能性と説明可能性の理解に向けて第一歩を踏み出した。 特に,利用者待ち時間に及ぼす需要・供給動態の影響について,詳細なデータ駆動型調査を行った。 この分析と特徴工学に基づいて、割り当てられたドライバー情報を知ることなく待ち時間を予測するように設計された、新機能インタラクションベースのXGBoostモデルであるFiXGBoostを提案する。 さらに、各因子の寄与を定量化するために重要な分析を行う。 3000万回以上の旅行記録を含む、大規模な実世界のライドシェアリングデータセットの実験では、私たちのFiXGBoostは、高い説明性を備えた乗客待ち時間予測において、優れたパフォーマンスを達成できることが示されています。

関連論文リスト

• FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
  非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。 本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。 提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• 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)
• Nightly Automobile Claims Prediction from Telematics-Derived Features: A Multilevel Approach [1.6799377888527685]
  本研究は,事故発生直前に発生した旅行の分類を成功させて,その運転者の主張に繋がるリスクの増大期間を特定できるかどうかを検討する。 我々は,事前にクレームを予測できることを示し,さらに,運転者がドライクマイルなどの露出機能を用いてクレームを持つかどうか,計算速度スコアなどの行動特性を用いてトレーニングした者について,XGBoost分類器の受信-演算特性に基づく領域で測定された予測パワーを比較した。
  論文  参考訳（メタデータ） (2022-05-10T01:25:10Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
  安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。 以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。 メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
  論文  参考訳（メタデータ） (2021-07-20T15:01:49Z)
• Public Transit for Special Events: Ridership Prediction and Train Optimization [10.531110013870792]
  交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。 本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T19:52:18Z)
• Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features [1.1888947789336193]
  システムレベルアプローチによる自動走行の歩行者行動予測の要件を分析した。 人間の運転行動に基づいて、自動走行車の適切な反応パターンを導出する。 複数の文脈的手がかりを組み込んだ変分条件自動エンコーダに基づく歩行者予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:52:49Z)
• 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)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。