[论文解读] Managing travel demand: Location recommendation for system efficiency based on mobile phone data

Yan Leng, Larry Rudolph+3 more|arXiv (Cornell University)|Oct 21, 2016

Human Mobility and Location-Based Analysis参考文献 30被引用 5

一句话总结

本文提出了一种基于手机通话详单记录（CDR）的位置推荐系统，通过协调个体出行偏好与道路容量约束，减少安道拉的交通拥堵。结合矩阵分解以推断偏好与约束优化以提升系统效率，该方法在100%合规率下将出行延迟降低了52%——尽管满意度下降31%，但通过协调需求管理实现了显著的集体效益。

ABSTRACT

Growth in leisure travel has become increasingly significant economically, socially, and environmentally. However, flexible but uncoordinated travel behaviors exacerbate traffic congestion. Mobile phone records not only reveal human mobility patterns, but also enable us to manage travel demand for system efficiency. In this paper, we propose a location recommendation system that infers personal preferences while accounting for constraints imposed by road capacity in order to manage travel demand. We first infer unobserved preferences using a machine learning technique from phone records. We then formulate an optimization method to improve system efficiency. Coupling mobile phone data with traffic counts and road network infrastructures collected in Andorra, this study shows that uncoordinated travel behaviors lead to longer average travel delay, implying the opportunities in managing travel demand by collective decisions. The interplay between congestion relief and overall satisfied location preferences observed in extensive simulations indicate that moderate sacrifices of individual utility lead to significant travel time savings. Specifically, the results show that under full compliance rate, travel delay fell by 52% at a cost of 31% less satisfaction. Under 60% compliance rate, 41% travel delay is saved with a 17% reduction in satisfaction. This paper highlights the effectiveness of the synergy among collective behaviors in increasing system efficiency.

研究动机与目标

• 解决因缺乏协调的休闲出行行为导致的日益严重的交通拥堵问题。
• 开发一种推荐系统，在不单纯优先考虑个体偏好下提升整体系统效率。
• 利用手机CDR数据推断隐藏的出行偏好，并建立拥堵影响的模型。
• 通过平衡用户满意度与道路容量约束，优化位置推荐。
• 在真实条件下评估不同合规率对拥堵缓解与用户满意度的影响。

提出的方法

• 对手机CDR数据使用矩阵分解，推断个体的隐式出行偏好。
• 建立道路网络与交通流量模型，量化不同位置的拥堵约束。
• 构建约束优化问题，以在系统容量范围内最大化用户满意度并限制出行延迟。
• 采用循环神经网络（RNN）提升位置预测准确性，在基站与合并基站层级分别达到67%与78%的准确率。
• 整合安道拉的CDR数据与基础设施及交通数据，模拟系统级结果。
• 在不同合规率（如60%、100%）下评估性能，以评估可扩展性与权衡关系。

实验结果

研究问题

• RQ1 在不严重损害个体满意度的前提下，协调的位置推荐能在多大程度上减少整体出行延迟？
• RQ2 在像安道拉这样以旅游为主的地区，缺乏协调的出行行为如何影响拥堵水平？
• RQ3 在不同合规率下，用户满意度与拥堵缓解之间的权衡关系如何？
• RQ4 与基线模型相比，RNN在利用CDR数据预测下一次位置选择时的效率如何？
• RQ5 一种能够平衡个体偏好与基础设施约束的系统，是否能显著提升出行效率？

主要发现

• 在100%合规率下，出行延迟减少了52%，从每小时11.73分钟降至5.61分钟，满意度下降31%。
• 在60%合规率下，出行延迟减少了41%（降至每小时6.98分钟），满意度仅下降17%。
• RNN模型在基站层级与合并基站层级的下一次位置预测准确率分别达到67%与78%，较基线模型提升超过30%。
• 系统表明，适度的个体偏好满意度牺牲可带来显著的集体拥堵缓解效益。
• 协调行为与优化推荐之间的协同作用显著提升了系统效率，即使在部分合规的情况下亦然。
• 该方法有效利用CDR数据建模用户偏好与基础设施约束，实现了可扩展的出行需求管理。