[论文解读] Modeling Ride-Sourcing Matching and Pickup Processes based on Additive Gaussian Process Models

Zheng Zhu, Meng Xu+3 more|arXiv (Cornell University)|Apr 29, 2022

Transportation and Mobility Innovations被引用 4

一句话总结

本文提出了一种加法高斯过程模型（AGPM），通过使用空间、时间、需求和供给协变量，精确建模网约车匹配与接载过程。在杭州数据上的评估显示，AGPM在估计精度方面优于解析模型和机器学习模型，并能有效支持空驶车辆重新调度策略的设计。

ABSTRACT

Matching and pickup processes are core features of ride-sourcing services. Previous studies have adopted abundant analytical models to depict the two processes and obtain operational insights; while the goodness of fit between models and data was dismissed. To simultaneously consider the fitness between models and data and analytically tractable formations, we propose a data-driven approach based on the additive Gaussian Process Model (AGPM) for ride-sourcing market modeling. The framework is tested based on real-world data collected in Hangzhou, China. We fit analytical models, machine learning models, and AGPMs, in which the number of matches or pickups are used as outputs and spatial, temporal, demand, and supply covariates are utilized as inputs. The results demonstrate the advantages of AGPMs in recovering the two processes in terms of estimation accuracy. Furthermore, we illustrate the modeling power of AGPM by utilizing the trained model to design and estimate idle vehicle relocation strategies.

研究动机与目标

• 开发一种数据驱动的建模框架，以在模型拟合度与解析可处理性之间取得平衡，用于网约车运营。
• 解决以往研究中模型-数据拟合度常被忽视的问题，尽管其解析可处理性得到了强调。
• 通过准确建模现实世界网约车系统中的匹配与接载过程，提供运营洞察。
• 使用真实杭州数据，评估AGPM相较于解析模型和机器学习模型的性能。
• 展示训练后模型在设计和估算空驶车辆重新调度策略方面的实际应用价值。

提出的方法

• AGPM框架将匹配或接载数量作为输出，空间、时间、需求和供给变量作为输入。
• 高斯过程的加法结构使得协变量与结果之间的非线性关系具有可解释性。
• 该模型采用基于核的方法，以捕捉复杂依赖关系，同时保持计算效率。
• 使用在中国杭州收集的真实网约车数据进行模型训练。
• 该框架支持不确定性量化，并为运营规划提供概率预测。
• 训练后的AGPM被用于模拟和评估空驶车辆重新调度策略的有效性。

实验结果

研究问题

• RQ1 与传统模型相比，加法高斯过程模型在捕捉网约车匹配与接载过程动态方面表现如何？
• RQ2 AGPM在预测匹配与接载数量方面，相较于解析模型和机器学习模型的相对估计精度如何？
• RQ3 AGPM框架能否支持网约车系统中空驶车辆重新调度策略的设计与评估？
• RQ4 根据模型，空间、时间、需求和供给协变量在多大程度上影响匹配与接载过程？
• RQ5 AGPM在实现高数据拟合度的同时，能在多大程度上保持解析可处理性？

主要发现

• AGPM在估计匹配与接载数量方面显著优于解析模型和机器学习模型。
• 该模型通过捕捉协变量与结果之间非线性、复杂关系的能力，实现了更高的估计精度。
• AGPM的加法结构使得每项协变量对预测贡献的可解释性分解成为可能。
• 训练后的AGPM成功支持了空驶车辆重新调度策略的设计与评估，展现出实际的运营价值。
• 该框架在实现卓越数据拟合度的同时保持了解析可处理性，解决了以往建模方法中的一个关键局限。
• 基于杭州数据的实证结果证实了AGPM在不同空间和时间条件下的鲁棒性与泛化能力。