[论文解读] Predicting Short-Term Uber Demand Using Spatio-Temporal Modeling: A New York City Case Study

Sabiheh Sadat Faghih, Abolfazl Safikhani+2 more|arXiv (Cornell University)|Dec 6, 2017

Traffic Prediction and Management Techniques参考文献 16被引用 9

一句话总结

本研究提出时空模型——具体为STAR和LASSO-STAR——以预测纽约市的短期Uber需求，通过引入空间依赖性，其表现优于仅考虑时间的VAR模型。结果表明，空间建模显著提升了预测准确性，尤其是在高峰时段，凸显了在网约车需求预测中空间结构的必要性。

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.

研究动机与目标

• 通过整合时空动态，提升纽约市Uber的短期需求预测性能。
• 评估时空模型（STAR、LASSO-STAR）与纯时间模型（VAR）在不同交通条件下的性能表现。
• 评估在高峰和非高峰时段，时间与空间滞后对预测准确性的影响。
• 确定在城市出行系统中，空间建模是否对准确的短期需求预测至关重要。

提出的方法

• 本研究采用空间-时间自回归（STAR）模型，以捕捉纽约市网格单元中Uber需求的时间依赖性与空间相关性。
• 在STAR模型中应用最小绝对收缩和选择算子（LASSO），构建LASSO-STAR模型，通过收缩无关的空间与时间系数，实现变量选择并降低过拟合风险。
• 模型基于纽约市的真实Uber行程数据进行训练与测试，按高峰与非高峰时段进行分割，以开展对比分析。
• 系统性地调整时间与空间滞后，以评估模型对敏感度与最优配置的响应，从而提升预测准确性。
• 采用RMSE与MAE等标准指标评估模型性能，将预测结果与实际观测需求进行对比。

实验结果

研究问题

• RQ1 与纯时间模型相比，引入空间依赖性如何提升短期Uber需求预测的准确性？
• RQ2 在纽约市高峰与非高峰时段，预测Uber需求的最优时间与空间滞后数量是多少？
• RQ3 在不同需求状态下，STAR与LASSO-STAR模型在性能与鲁棒性方面如何比较？
• RQ4 在城市网约车系统中，时空模型的预测能力在高峰与非高峰时段是否存在显著差异？

主要发现

• LASSO-STAR模型在所有测试模型中达到最高的预测准确性，表明正则化在高维时空数据中的有效性。
• 空间建模（STAR与LASSO-STAR）显著优于仅考虑时间的VAR模型，尤其在高峰时段表现更优，表明空间依赖性对准确预测至关重要。
• 在高峰时段，引入空间滞后对预测性能的提升更为显著，表明高峰条件下需求模式具有更高的空间相关性。
• LASSO-STAR模型能有效识别并剔除无关的空间与时间预测变量，从而提升模型可解释性并降低过拟合风险。