Prognozowanie zapotrzebowania na usługi ride-hailingowe w obszarach miejskich podejście oparte na głębokich zespołach i grupowaniu szeregów czasowych

Abstrakt

Artykuł ten bada coraz ważniejsze zadanie prognozowania popytu na usługi ride-hailingowe, które znacząco zakłóciły tradycyjne modele transportowe. Zauważalnie, badanie koncentruje się na usłudze Yellow Cab w Nowym Jorku, która pomimo wzrostu popularności usług opartych na aplikacjach, nadal obsługuje znaczny odsetek pasażerów. Badanie podkreśla konieczność dokładnego przewidywania popytu dla efektywnego przydzielania zasobów, skrócenia czasów oczekiwania i poprawy satysfakcji użytkowników. Badane są tradycyjne metody prognozowania, takie jak średnia historyczna, wygładzanie wykładnicze, ARIMA itp., równocześnie z nowszymi technikami uczenia maszynowego i analizy danych, takimi jak CNN-LSTM i XGBoost. Nowe podejście, wykorzystujące zestaw modeli uczenia maszynowego – XGBoost i sieć neuronową konwolucyjną – LSTM z kreatywnym inżynierowaniem cech, jest proponowane dla rzeczywistego prognozowania popytu w wielu lokalizacjach. Ponadto badanie stara się zrozumieć zastosowanie metod grupowania szeregów czasowych oraz ich efektywność w grupowaniu podobnych szeregów czasowych oraz wydobywaniu cech grupujących w celu poprawy wydajności modelu. Dodatkowo badanie dostrzega nieskuteczność uogólnionego modelu w prognozowaniu popytu w obszarach o niskim popycie i przedstawia możliwe kierunki badań w celu rozwiązania tego problemu. Niniejsze badanie przyczynia się do rosnącej literatury na temat prognozowania popytu w branży ride-hailingowej i dostarcza informacji na temat zastosowania grupowania szeregów czasowych dla tych usług.