[论文解读] Space-Time Graph Modeling of Ride Requests Based on Real-World Data

Abhinav Jauhri, Brian Foo+5 more|arXiv (Cornell University)|Jan 23, 2017

Transportation and Mobility Innovations参考文献 12被引用 7

一句话总结

本文利用真实世界的Uber数据，提出一种用于乘车请求的时空图模型，表明乘车请求图遵循密度幂律（DPL）。DPL的度直接与乘车合乘潜力相关，从而能够高保真地合成出与现实世界模式和合乘潜力度量相匹配的逼真乘车请求图。

ABSTRACT

This paper focuses on modeling ride requests and their variations over location and time, based on analyzing extensive real-world data from a ride-sharing service. We introduce a graph model that captures the spatial and temporal variability of ride requests and the potentials for ride pooling. We discover these ride request graphs exhibit a well known property called densification power law often found in real graphs modelling human behaviors. We show the pattern of ride requests and the potential of ride pooling for a city can be characterized by the densification factor of the ride request graphs. Previous works have shown that it is possible to automatically generate synthetic versions of these graphs that exhibit a given densification factor. We present an algorithm for automatic generation of synthetic ride request graphs that match quite well the densification factor of ride request graphs from actual ride request data.

研究动机与目标

• 使用真实世界数据，对多个全球城市的乘车请求时空动态进行建模。
• 利用图论属性表征乘车请求模式及其潜在的合乘能力。
• 开发一种合成图生成方法，以复现真实世界乘车请求图的特征。
• 量化并关联乘车请求图的密度幂律因子与乘车合乘潜力。
• 通过合成但逼真的数据，实现对共享出行系统的可扩展仿真与分析。

提出的方法

• 作者将乘车请求建模为时空图，其中节点表示空间区域和时间区间，边表示区域之间在特定时间间隔内的乘车请求。
• 通过测量图随时间演化过程中边数相对于节点数的增长速率，计算密度幂律（DPL）指数α。
• 基于先前的图生成研究，自动合成具有目标DPL指数的时空乘车请求图，使其与真实数据匹配。
• 乘车合乘潜力定义为基于空间和时间接近度可合并到同一辆车辆中的乘车请求所占比例。
• 通过将合成图的合乘潜力度量（如每日模式、平均合乘潜力）与40座城市的实际数据对比，对合成图进行验证。
• 利用168小时的周循环分析合乘潜力在时间和空间上的变化，跨城市比较包括旧金山、巴黎和纽约。

实验结果

研究问题

• RQ1 是否可以使用时空图框架在不同城市中一致地建模乘车请求模式？
• RQ2 乘车请求图是否表现出密度幂律（DPL）这一人类行为图中的已知特性？
• RQ3 是否可以自动生成与真实世界数据DPL指数匹配的合成乘车请求图？
• RQ4 DPL指数与城市中乘车合乘潜力水平之间是否存在直接相关性？
• RQ5 合成图是否能准确复现真实世界中乘车合乘潜力在时间和空间上的变化？

主要发现

• 真实世界数据中的乘车请求图（RRG）表现出密度幂律（DPL），DPL指数α在海得拉巴为1.031，旧金山为1.104。
• 旧金山的平均乘车合乘潜力持续高于巴黎，高峰值出现在早高峰和晚高峰时段，反映出更高的时空聚集性。
• 使用与真实数据相同DPL指数生成的合成RRG与真实世界的合乘潜力高度一致，纽约的均方根误差（RMSE）为1.54。
• DPL指数与平均合乘潜力之间存在精确相关性：α值更高的城市（如旧金山，α=1.104）表现出比α值较低的城市（如海得拉巴，α=1.031）更高的合乘潜力。
• 该合成模型准确捕捉了关键时间模式，包括周五、周六和周日的晚间合乘潜力更高，与真实数据趋势一致。
• 该模型揭示，OpenStreetMap数据中的空间分布偏差可能导致在高兴趣点（PoI）密度区域对合乘潜力的高估或低估。