[論文レビュー] Predicting Short-Term Uber Demand Using Spatio-Temporal Modeling: A New York City Case Study

Sabiheh Sadat Faghih, Abolfazl Safikhani+2 more|arXiv (Cornell University)|Dec 6, 2017

Traffic Prediction and Management Techniques参考文献 16被引用数 9

ひとこと要約

本研究では、ニューヨークシティの短期的ウーバー需要を予測するため、空間時系列モデル（特にSTARおよびLASSO-STAR）を提案する。時間的VARモデルに比べ、空間的依存性を組み込むことで、予測性能が向上した。結果から、空間的モデリングが予測精度を著しく向上させること、特に通勤ラッシュ時において顕著であることが示され、ライドシェアサービスの需要予測において空間的構造の重要性が浮き彫りになった。

ABSTRACT

The demand for e-hailing services is growing rapidly, especially in large cities. Uber is the first and popular e-hailing company in the United Stated and New York City. A comparison of the demand for yellow-cabs and Uber in NYC in 2014 and 2015 shows that the demand for Uber has increased. However, this demand may not be distributed uniformly either spatially or temporally. Using spatio-temporal time series models can help us to better understand the demand for e-hailing services and to predict it more accurately. This paper analyzes the prediction performance of one temporal model (vector autoregressive (VAR)) and two spatio-temporal models (Spatial-temporal autoregressive (STAR); least absolute shrinkage and selection operator applied on STAR (LASSO-STAR)) and for different scenarios (based on the number of time and space lags), and applied to both rush hours and non-rush hours periods. The results show the need of considering spatial models for taxi demand.

研究の動機と目的

• ニューヨークシティにおけるウーバーの短期的需要予測を、空間的および時系列的ダイナミクスを統合することで向上させること。
• 時間的のみのモデル（VAR）と比較して、空間時系列モデル（STAR、LASSO-STAR）の性能を、さまざまな交通状況下で評価すること。
• 時間および空間のラグの変動が、ラッシュ時および非ラッシュ時の予測精度に与える影響を評価すること。
• 都市移動システムにおける正確な短期的需要予測のために、空間的モデリングが不可欠であるかどうかを特定すること。

提案手法

• 本研究では、ニューヨークシティのグリッドセルにおけるウーバー需要の時系列的依存性と空間的相関を捉えるために、空間時系列自己回帰（STAR）モデルを採用する。
• LASSO（最小絶対値収縮および選択法）をSTARモデルに適用（LASSO-STAR）することで、不要な空間的および時系列的係数を縮小し、過剰適合を低減する。
• モデルは、ニューヨークシティの実際のウーバー乗車データを用いて訓練およびテストされ、比較的分析のためラッシュ時と非ラッシュ時に分けて処理される。
• 時間的および空間的ラグを体系的に変化させ、モデルの感度および予測精度の最適な設定を評価する。
• モデルの性能は、RMSEやMAEといった標準的な指標を用いて評価され、実際の観測需要と比較された。

実験結果

リサーチクエスチョン

• RQ1 空間的依存性を組み込むことで、時間的モデルに比べて短期的ウーバー需要予測の精度がどの程度向上するか？
• RQ2 ニューヨークシティにおけるウーバー需要を、ラッシュ時および非ラッシュ時に予測する際の最適な時間的および空間的ラグの数は何か？
• RQ3 異なる需要状態下において、STARおよびLASSO-STARモデルの性能および頑健性はどのように比較されるか？
• RQ4 都市型エアーハイリングシステムにおいて、空間時系列モデルの予測力はピーク時とオフピーク時で顕著に異なるか？

主な発見

• LASSO-STARモデルは、テストされたすべてのモデルの中で予測精度が最も高く、高次元の空間時系列データにおける正則化の有効性を示している。
• 空間的モデリング（STARおよびLASSO-STAR）は、時間的のみのVARモデルを著しく上回り、特にラッシュ時において顕著である。これは、正確な予測に空間的依存性が不可欠であることを示している。
• 空間的ラグの組み込みにより、ラッシュ時における予測性能の向上がより顕著に見られ、ピーク状況下での需要パターンにおける高い空間的相関が示唆された。
• LASSO-STARモデルは、不要な空間的および時系列的予測子を効果的に同定・削除し、モデルの解釈可能性を高めるとともに、過剰適合を低減した。