[논문 리뷰] Predicting Short-Term Uber Demand Using Spatio-Temporal Modeling: A New York City Case Study

Sabiheh Sadat Faghih, Abolfazl Safikhani외 2명|arXiv (Cornell University)|2017. 12. 06.

Traffic Prediction and Management Techniques참고 문헌 16인용 수 9

한 줄 요약

이 연구는 뉴욕 시티에서의 단기 우버 수요를 예측하기 위해 공간-시간 모델—특히 STAR 및 LASSO-STAR—을 제안하며, 시간적 모델에 비해 공간적 종속성을 통합함으로써 성능을 뛰어넘었다. 결과적으로 공간 모델링이 예측 정확도를 크게 향상시키며, 특히 출퇴근 시간대에 두드러지게 나타나, 라이드셰어 서비스의 수요 예측에서 공간적 구조의 필요성을 입증한다.

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.

연구 동기 및 목표

• 뉴욕 시티에서의 단기 수요 예측을 향상시키기 위해 시간적 동역학과 공간적 동역학을 통합한다.
• 순수하게 시간적 모델(VAR)과 비교하여 공간-시간 모델(STAR, LASSO-STAR)의 성능을 다양한 교통 조건에서 평가한다.
• 수요 예측 정확도에 영향을 주는 시간 및 공간 지연의 변화가 출퇴근 시간대와 비출퇴근 시간대에 어떻게 작용하는지 평가한다.
• 도시 이동성 시스템에서 정확한 단기 수요 예측을 위해 공간 모델링이 필수적인지 규명한다.

제안 방법

• 연구는 뉴욕 시티 격자 셀 간의 우버 수요에 대한 시간적 종속성과 공간 상관관계를 포착하기 위해 공간-시간 자기회귀(STAR) 모델을 활용한다.
• 불필요한 공간적 및 시간적 계수를 축소하기 위해 정규화를 통해 과적합을 줄이는 최소 절대값 수축 및 선택 연산자(LASSO)를 STAR 모델에 적용한다(LASSO-STAR).
• 모델들은 출퇴근 시간대와 비출퇴근 시간대를 나누어 비교 분석하기 위해 뉴욕 시티의 실제 우버 여행 데이터를 기반으로 훈련 및 테스트한다.
• 시간 및 공간 지연을 체계적으로 변화시켜 모델의 민감도와 예측 정확도에 최적의 구성 조합을 평가한다.
• 예측 정확도 평가에 표준 지표인 RMSE 및 MAE를 사용하여 실제 관측 수요와의 비교를 통해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 순수하게 시간적 모델에 비해 공간 종속성을 통합함으로써 단기 우버 수요 예측 정확도는 얼마나 향상되는가?
• RQ2 뉴욕에서의 우버 수요 예측에 있어 출퇴근 시간대와 비출퇴근 시간대에 최적의 시간 및 공간 지연 수는 각각 얼마인가?
• RQ3 다양한 수요 체제에서 STAR 및 LASSO-STAR 모델의 성능 및 강건성은 어떻게 비교되는가?
• RQ4 도시 전용 모빌리티 시스템에서 공간-시간 모델의 예측 능력은 정점 및 비정점 기간 동안에 크게 다를까?

주요 결과

• LASSO-STAR 모델은 테스트된 모든 모델 중에서 가장 높은 예측 정확도를 기록했으며, 고차원 공간-시간 데이터에서 정규화의 효과를 입증했다.
• 공간 모델링(STAR 및 LASSO-STAR)은 순수 시간 모델(VAR)보다 유의미하게 뛰어난 성능을 보였으며, 특히 출퇴근 시간대에 두드러져 공간 종속성이 정확한 예측에 필수적임을 시사한다.
• 공간 지연을 포함시킴으로써 예측 성능 향상이 출퇴근 시간대에 더 크게 나타났으며, 이는 정점 조건에서 수요 패턴 간의 공간 상관관계가 더 높다는 것을 시사한다.
• LASSO-STAR 모델은 불필요한 공간적 및 시간적 예측 변수를 효과적으로 식별하고 제거하여 모델의 해석 가능성 향상과 과적합 감소에 기여했다.