[논문 리뷰] An instance-based learning approach for evaluating the perception of ride-hailing waiting time variability

Nejc Geržinič, Oded Cats외 4명|arXiv (Cornell University)|2023. 01. 12.

Transportation and Mobility Innovations인용 수 4

한 줄 요약

이 연구는 936명의 응답을 포함한 선호도 서베이를 통해 인스턴스 기반 학습(IBL) 모델을 적용하여 라이드셰어 사용자가 대기 시간 변동성을 어떻게 인식하는지 분석한다. 연구 결과, 예상치 못한 지연은 시간 가치의 2–3배로 인식되며, 같은 정도의 늦은 도착보다 일찍 출발하는 것이 더 유익하다. 취소 시에는 강한 불편감이 발생하고, 최근 경험은 기억의 급속한 감쇠로 인해 의사결정을 지배한다.

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.

연구 동기 및 목표

• 사용자가 사전 정보와 실제 경험 간의 괴리가 있는 라이드셰어 대기 시간 변동성을 어떻게 인식하는지 이해하는 것.
• 기억 효과와 행동 관성 등을 반영한 동적 사용자 의사결정을 모델링하기 위해 인스턴스 기반 학습(IBL)을 사용하여 불확실성 하에서의 의사결정을 분석하는 것.
• 예상치 못한 대기 시간과 서비스 취소가 사용자 만족도와 제공자 선택에 미치는 영향을 평가하는 것.
• 실제 사용자 행동을 보다 잘 반영하기 위해 IBL에 새로운 기억 감쇠 사양과 관성 메커니즘을 테스트하는 것.
• 대기 시간 변동성에 대한 인식된 불편감을 시간 가치와 비교하여 정량화하는 것.

제안 방법

• 2021년 8월에 실시한 선호도 서베이에서 936명의 유효 응답을 확보하여, 사용자에게 사전 예상 대기 시간과 실제 경험한 대기 시간을 제시함.
• 개인의 과거 경험에 기반해 선호도를 갱신하는 방식으로 인스턴스 기반 학습(IBL) 프레임워크를 적용하여 모델링.
• 과거 경험의 영향력이 향후 의사결정에 어떻게 감쇠되는지를 가장 잘 설명하는 기억 감쇠 함수를 도출하기 위해 다양한 기억 감쇠 함수를 테스트함.
• 기존 및 새로운 형태의 관성(습관)을 통합하여 동일한 옵션을 반복 선택할 경우 의사결정 안정성에 미치는 영향을 평가함.
• 설문 데이터를 사용해 IBL 모델을 校정하여 조기 출발, 늦은 도착, 취소에 대한 유틸리티 가중치를 추정함.
• 각 새로운 경험에 따라 기대치에서의 편차의 최근성과 크기에 따라 의사결정 규칙이 갱신되는 동적 학습 메커니즘을 도입함.

실험 결과

연구 질문

• RQ1 사용자가 실제 대기 시간이 사전 예상과 다를 경우 대기 시간 변동성을 어떻게 인식하는가?
• RQ2 예상치 못한 대기 시간에 대한 인식된 불편감은 시간 가치에 비해 어느 정도인가?
• RQ3 예약 후 취소된 서비스가 사용자 만족도와 제공자 선택에 어떤 영향을 미치는가?
• RQ4 과거 경험의 영향력이 향후 라이드셰어 결정에 영향을 주는 데 가장 잘 설명되는 기억 감쇠 함수는 무엇인가?
• RQ5 행동 관성(습관)이 동일한 라이드셰어 제공자에 대한 반복 선택에 어느 정도 영향을 미치는가?

주요 결과

• 예상치 못한 대기 시간에 대한 인식된 불편감은 시간 가치의 2–3배로 추정되어 지연에 매우 민감한 것으로 나타남.
• 같은 기간의 지연보다 조기 출발에 더 높은 유틸리티를 부여함으로써 시간 편차에 대한 비대칭적 인식이 존재함.
• 예약 후 취소된 차량은 심각한 불편감을 유발하며, 다른 제공자로 전환할 가능성을 크게 높임.
• 최근 경험은 기억 감쇠가 급속히 일어나기 때문에 의사결정에 지배적인 영향을 미침 — 가장 최근 경험의 영향력이 가장 큼.
• 행동 관성은 동일 제공자에 대한 연속 선택에 따라 증가하지만, 행동 방향이 바뀌면 0으로 리셋되므로 동적인 습관 형성이 이루어짐.
• 새로운 기억 감쇠 사양을 적용한 IBL 모델이 사용자 응답 패턴을 더 잘 반영하여 기존 사양보다 성능이 뛰어남.