論文の概要: RideBench: A Large-Scale Exogenous-Aware Benchmark for Ride-Hailing Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.11164v1
• Date: Thu, 08 Oct 2026 03:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.763146
• Title: RideBench: A Large-Scale Exogenous-Aware Benchmark for Ride-Hailing Time Series Forecasting
• Title（参考訳）: RideBench: Ride-Hailing Time Series Forecastingのための大規模Exogenous-Awareベンチマーク
• Abstract要約: Ride-Hailingは、DiDiの市場データから200の空間領域にまたがる大規模な配車時系列データセットである。 RideBenchは内因性のある配車サービス予測のための総合的なベンチマークである。
• 参考スコア（独自算出の注目度）: 22.228034101219865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We release Ride-Hailing, a large-scale ride-hailing time series dataset synthesized from DiDi's marketplace data across 200 spatial areas. Ride-Hailing spans four consecutive years at half-hourly granularity and covers three representative exogenous scenarios: Weather Disturbance, Holiday Effect, and Large-scale Event Impact. Built upon Ride-Hailing, we introduce RideBench, a comprehensive benchmark for exogenous-aware ride-hailing forecasting, covering both regular week-ahead forecasting and long-horizon 8-week-ahead forecasting with up to 2,688 prediction steps. RideBench evaluates over 30 representative forecasting methods, including endogenous-only models, exogenous-aware models, and time series foundation models. Our results show that future-known exogenous variables provide clear benefits in regular week-ahead forecasting, especially under weather, holiday, and large-scale event (e.g., major sporting events and concerts) scenarios. However, current exogenous-aware models still struggle to fully capture disturbance-induced pattern changes under complex external contexts. For long-horizon forecasting, existing models cannot simultaneously achieve low pointwise errors, accurate broad trends, and reliable near-term forecasts. These findings reveal a clear mismatch between existing forecasting models and real-world ride-hailing requirements, highlighting the need for models that can better exploit future-known exogenous information, scale across heterogeneous areas, and support long-horizon planning. By introducing Ride-Hailing and RideBench, we aim to encourage the community to study these practical challenges in real-world ride-hailing forecasting.
• Abstract（参考訳）: 我々はDiDiのマーケットプレースデータから200の空間領域にまたがる大規模配車時系列データセットであるRide-Hailingをリリースした。 ライドハイリングは、半時間程度の粒度で4年連続し、気象障害、ホリデイ効果、大規模イベントインパクトの3つの典型的な外因性シナリオをカバーしている。 Ride-Hailingをベースに構築されたRideBenchは、外因性認識型配車予測の総合ベンチマークで、通常の週ごとの予測と8週間の長期予測の両方を最大2,688ステップでカバーする。 RideBenchは内因性のみのモデル、外因性認識モデル、時系列基礎モデルを含む30以上の代表的な予測手法を評価している。 以上の結果から,特に天気,休日,大規模イベント(メジャースポーツイベントやコンサートなど)のシナリオにおいて,将来の既知の外因性変数は,平日の天気予報において明らかな利益をもたらすことが示唆された。 しかし、現在の外因性認識モデルは、複雑な外部コンテキスト下での乱れによって引き起こされるパターンの変化を完全に捉えるのに苦慮している。 長期予測では、既存のモデルは低点誤差、正確な広範囲な傾向、信頼性のある短期予測を同時に達成できない。 これらの結果は、既存の予測モデルと現実世界の配車要求との間に明らかなミスマッチがあることを示し、将来の既知の外因性情報をよりよく活用し、異種地域にわたってスケールし、長期計画をサポートするモデルの必要性を強調している。 Ride-HailingとRideBenchを導入することで、現実のライドシェア予測においてこれらの実践的な課題を研究することをコミュニティに奨励することを目指している。

関連論文リスト

• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Scaling Law for Time Series Forecasting [8.967263259533036]
  大規模データセット、複雑なモデル、強化されたデータの粒度に報いるスケーリング法則は、ディープラーニングの様々な分野において観察されている。 しかし、時系列予測の研究は、時系列予測のためのディープラーニング手法のスケーリング行動に疑問を投げかけている。 本稿では,このような異常な振る舞いを説明できる時系列予測法則のスケーリング理論を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:27Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing [2.5489902365061607]
  本稿では,中国成都における実証データを用いて,乗車時需要予測精度への影響について検討する。 ヘキサゴナル畳み込み操作(H-ConvLSTM)と組み合わせた畳み込み短期記憶モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-19T11:22:04Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。