Tytuł pozycji:
Forecasting Ride-Hailing Demand in Urban Areas: A Deep Ensemble and Time Series Clustering Approach
This paper investigates the increasingly important task of forecasting demand for ride-hailing services, which have significantly disrupted traditional transportation models. Notably, the study concentrates on New York City's Yellow Cab service, which despite the surge in popularity of app-based services, continues to serve a substantial number of commuters. The study highlights the necessity of accurate demand prediction for efficient resource allocation, reduced wait times and improved user satisfaction. Traditional forecasting methods like Historical Average, Exponential Weighted Moving Averaes, ARIMA etc., are examined, alongside the more recent machine learning and data mining techniques, CNN-LSTM and XGBoost. A novel approach, utilizing an ensemble of machine learning models – XGBoost and Convolutional Neural Network – LSTM along with creative feature engineering is proposed for real-time demand forecasting across numerous locations. Furthermore, the study also tries to understand the application of time-series clustering methods and their effectiveness in grouping similar time-series together and extracting clustering features to improve the performance of the model. Additionally, the study observes the ineffectiveness of generalized model to forecast demand in low-demand reasons and presents possible research direction for solving the issue. This study contributes to the growing literature on demand forecasting in the ride-hailing industry and provides insights into the use of time-series clustering for the same.
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.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
