[论文解读] OpenStreetCab: Exploiting Taxi Mobility Patterns in New York City to Reduce Commuter Costs

Vsevolod Salnikov, Renaud Lambiotte+2 more|arXiv (Cornell University)|Mar 10, 2015

Human Mobility and Location-Based AnalysisSocial Sciences参考文献 2被引用 21

一句话总结

本文提出 OpenStreetCab，一款移动应用程序，利用公开的2013年纽约市出租车数据集和Uber的API，实时比较纽约市黄色出租车与Uber X的车费。研究发现，黄色出租车平均比Uber X便宜1.40美元，尤其在35美元以下的短途行程中更为明显，同时揭示了Uber的定价模式如何利用城市出行模式中短途出行频繁的特性。

ABSTRACT

The rise of Uber as the global alternative taxi operator has attracted a lot of interest recently. Aside from the media headlines which discuss the new phenomenon, e.g. on how it has disrupted the traditional transportation industry, policy makers, economists, citizens and scientists have engaged in a discussion that is centred around the means to integrate the new generation of the sharing economy services in urban ecosystems. In this work, we aim to shed new light on the discussion, by taking advantage of a publicly available longitudinal dataset that describes the mobility of yellow taxis in New York City. In addition to movement, this data contains information on the fares paid by the taxi customers for each trip. As a result we are given the opportunity to provide a first head to head comparison between the iconic yellow taxi and its modern competitor, Uber, in one of the world's largest metropolitan centres. We identify situations when Uber X, the cheapest version of the Uber taxi service, tends to be more expensive than yellow taxis for the same journey. We also demonstrate how Uber's economic model effectively takes advantage of well known patterns in human movement. Finally, we take our analysis a step further by proposing a new mobile application that compares taxi prices in the city to facilitate traveller's taxi choices, hoping to ultimately to lead to a reduction of commuter costs. Our study provides a case on how big datasets that become public can improve urban services for consumers by offering the opportunity for transparency in economic sectors that lack up to date regulations.

研究动机与目标

• 使用公开的出行与车费数据，比较纽约市黄色出租车与Uber X的成本效益。
• 研究Uber的定价模式如何利用人类出行模式中的统计规律，特别是短途出行的高频率特性。
• 开发一款实用的移动应用程序，使通勤者能够基于实时价格对比选择最经济的出租车服务。
• 通过利用开放数据提升城市交通定价的透明度，赋予消费者更多选择权。
• 展示如何通过明智决策，利用大数据改善城市服务并降低通勤成本。

提出的方法

• 本研究使用2013年纽约市黄色出租车行程的纵向数据集，包含上车/下车坐标及总车费（含小费）。
• 针对每趟行程，将实际车费与使用Uber X服务对相同起点-终点对估算的车费进行对比。
• Uber的API返回一个价格区间；比较时采用最小值与最大值的平均值。
• 通过100米×100米网格单元的空间索引系统，实现对任意用户查询的相似行程在出租车数据集中进行高效查找。
• OpenStreetCab应用利用地理位置定位，从数据集中查找附近的出租车行程，并通过API获取相应的Uber X车费估算。
• 系统提供实时价格对比，未来计划增加按时间与交通状况调整的定价功能。

实验结果

研究问题

• RQ1 对于相同的起点-终点对，纽约市黄色出租车的车费与Uber X相比如何？
• RQ2 Uber的定价模式在多大程度上利用了城市短途出行的统计规律？
• RQ3 一款能够实时比较出租车车费的移动应用程序，是否能降低城市环境中的通勤成本？
• RQ4 基于历史出租车数据与实时API查询的车费估算系统，其准确性和可扩展性如何？
• RQ5 开放数据在提升城市出行服务透明度与竞争性方面发挥什么作用？

主要发现

• 基于中位数车费对比，发现黄色出租车在相同行程中平均比Uber X便宜1.40美元。
• 在35美元以下的70%行程中，Uber X比黄色出租车更贵，表明短途出行存在成本劣势。
• 纽约市的平均行程距离为2.09公里，反映出短途出行在城市出行中的主导地位。
• 研究证实，人类出行模式（表现为行程距离的重尾分布）有利于Uber这类对短途行程收取较高起步价的定价模式。
• OpenStreetCab原型成功展示了结合历史出租车数据与实时Uber API查询的实时车费对比功能。
• 该应用程序可部署于移动平台，并为通勤者提供一个实用工具，以实现基于成本信息的出行决策。