Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing

要約

ネットワークベースの旅行者の要求の正確な空間的予測は、ライドシェアリングプラットフォームの効果的なポリシー設計にとって重要です。
今後のタイムスロットでさまざまな場所間の総需要に関する知識を持つことにより、プラットフォームは適切な供給を積極的に準備することができ、それにより、旅行者の要求を満たす可能性を高め、グローバルな供給需要の平衡を最適化するための潜在的な需要の高い地域にアイドルドライバーを再配布する可能性を高めます。
このペーパーでは、特に地元の地域の広大なセットに直面している場合、微粒子の空間レベルで、起源照明（OD）の要求の予測を掘り下げています。
このタスクは計り知れない実用的な価値を保持していますが、研究コミュニティ内では比較的未開拓のままです。
このギャップを埋めるために、データスパース性を緩和するための監視されていないスペースの粗大化技術と、セマンティックと地理的依存関係の両方をキャプチャするエンコーダーデコーダーアーキテクチャを含むOD-Cedと呼ばれる新しい予測モデルを導入します。
実用的な実験を通じて、OD-CEDは顕著な結果を示しています。
90％を超えるスパース性を示すODマトリックスを扱う場合、根平均誤差の最大45％の減少と、従来の統計的方法に比べて加重平均絶対パーセント誤差が60％減少することを達成しました。

要約(オリジナル)

Accurate spatial-temporal prediction of network-based travelers’ requests is crucial for the effective policy design of ridesharing platforms. Having knowledge of the total demand between various locations in the upcoming time slots enables platforms to proactively prepare adequate supplies, thereby increasing the likelihood of fulfilling travelers’ requests and redistributing idle drivers to areas with high potential demand to optimize the global supply-demand equilibrium. This paper delves into the prediction of Origin-Destination (OD) demands at a fine-grained spatial level, especially when confronted with an expansive set of local regions. While this task holds immense practical value, it remains relatively unexplored within the research community. To fill this gap, we introduce a novel prediction model called OD-CED, which comprises an unsupervised space coarsening technique to alleviate data sparsity and an encoder-decoder architecture to capture both semantic and geographic dependencies. Through practical experimentation, OD-CED has demonstrated remarkable results. It achieved an impressive reduction of up to 45% reduction in root-mean-square error and 60% in weighted mean absolute percentage error over traditional statistical methods when dealing with OD matrices exhibiting a sparsity exceeding 90%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google