[論文レビュー] An instance-based learning approach for evaluating the perception of ride-hailing waiting time variability

Nejc Geržinič, Oded Cats+4 more|arXiv (Cornell University)|Jan 12, 2023

Transportation and Mobility Innovations被引用数 4

ひとこと要約

本研究は、936件の有効な回答を得た提示意思決定サーベイを用いて、ライドシェア利用者が待機時間のばらつきをどのように認識しているかを分析するために、インスタンスベース学習（IBL）モデルを適用した。その結果、予期しない遅延は時間の価値の2〜3倍に相当するものと認識され、早期出発は同等の遅刻よりもより高い報酬を得られ、キャンセルは強い不満を引き起こし、記憶の急速な消去により最近の経験が意思決定を支配することが分かった。

ABSTRACT

Understanding user's perception of service variability is essential to discern their overall perception of any type of (transport) service. We study the perception of waiting time variability for ride-hailing services. We carried out a stated preference survey in August 2021, yielding 936 valid responses. The respondents were faced with static pre-trip information on the expected waiting time, followed by the actually experienced waiting time for their selected alternative. We analyse this data by means of an instance-based learning (IBL) approach to evaluate how individuals respond to service performance variation and how this impacts their future decisions. Different novel specifications of memory fading, captured by the IBL approach, are tested to uncover which describes the user behaviour best. Additionally, existing and new specification of inertia (habit) are tested. Our model outcomes reveal that the perception of unexpected waiting time is within the expected range of 2-3 times the value-of-time. Travellers seem to place a higher reward on an early departure compared to a penalty for a late departure of equal magnitude. A cancelled service, after having made a booking, results in significant disutility for the passenger and a strong motivation to shift to a different provider. Considering memory decay, our results show that the most recent experience is by far the most relevant for the next decision, with memories fading quickly in importance. The role of inertia seems to gain importance with each additional consecutive choice for the same option, but then resetting back to zero following a shift in behaviour.

研究の動機と目的

• ユーザーが出発前情報と実際の体験との間に乖離が生じた際、ライドシェアの待機時間のばらつきをどのように認識しているかを理解すること。
• 記憶効果と行動の不活性性を捉えることにより、不確実性下での動的ユーザー意思決定をモデル化するため、インスタンスベース学習（IBL）を用いること。
• 予期しない待機時間とサービスのキャンセルがユーザー満足度およびプロバイダー選択に与える影響を評価すること。
• 現実のユーザー行動をよりよく反映させるために、IBLにおける新規の記憶消去仕様および不活性化メカニズムをテストすること。
• 待機時間のばらつきの認識される不満度を時間の価値に対して数量化すること。

提案手法

• 2021年8月に実施した提示意思決定サーベイで、936件の有効な回答を得た。参加者には出発前予想待機時間と実際の体験待機時間の両方が提示された。
• 個々の人が過去の経験に基づいて好みをどのように更新するかをモデル化するため、インスタンスベース学習（IBL）フレームワークを適用した。
• 過去の経験の影響が将来の意思決定に与える影響を最もよく捉える記憶消去関数を特定するために、複数の関数をテストした。
• 繰り返し同じ選択肢を選ぶことで生じる意思決定の安定性を評価するため、既存および新規の不活性（習慣）形式を組み込んだ。
• サーベイデータを用いてIBLモデルをキャリブレーションし、早期出発、遅刻、キャンセルの各要因に対する効用重みを推定した。
• 各新しい経験が、期待からの逸脱の新鮮さと大きさに基づいて意思決定ルールを更新する動的学習メカニズムを用いた。

実験結果

リサーチクエスチョン

• RQ1 実際の待機時間が出発前予想から逸脱する際、ユーザーは待機時間のばらつきをどのように認識しているか？
• RQ2 予期しない待機時間の不満度は、時間の価値に対してどの程度の割合で認識されているか？
• RQ3 予約後にキャンセルされた場合、ユーザー満足度およびプロバイダー選択にどのような影響を与えるか？
• RQ4 過去の経験が将来のライドシェア意思決定に与える影響を最もよく説明する記憶消去関数はどれか？
• RQ5 行動的不活性（習慣）は、同じライドシェアプロバイダーに対する繰り返し選択をどの程度形作っているか？

主な発見

• 予期しない待機時間の認識される不満度は、時間の価値の2〜3倍に相当する。これは遅延に対する強い感受性を示している。
• 同じ期間の遅刻に対するペナルティよりも、早期出発がより高い効用が与えられることが示され、時間のずれに対する非対称的な認識が示唆された。
• 予約後にキャンセルされた場合、大きな不満が生じ、他のプロバイダーに乗り換える可能性が著しく高まる。
• 最近の経験が意思決定を支配しており、記憶の消去は急速に進行する。最も最近の経験が、著しく最も影響力が強い。
• 行動的不活性は、同じプロバイダーに対する連続選択に伴い増大するが、行動の変化後にゼロにリセットされるため、動的習慣形成が確認された。
• 新規の記憶消去仕様を用いたIBLモデルは、サービスのばらつきに対するユーザー反応パターンを標準的仕様よりも効果的に捉えている。