Forecasting Ride-Hailing Demand in Urban Areas: A Deep Ensemble and Time Series Clustering Approach

• Autorzy: Acharya Kushal , Quadrifoglio Luca

Identyfikatory

DOI

10.29227/IM-2024-02-52

Warianty tytułu

PL

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

• Konferencja: 9th World Multidisciplinary Congress on Civil Engineering, Architecture, and Urban Planning - WMCCAU 2024 : 2-6.09.2024
• Języki publikacji: EN

Abstrakty

EN

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.

PL

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.

Słowa kluczowe

EN

Ride-Hailing; ensemble; CNN-LSTM; time-series forecasting

PL

Ride-Hailing; zespół; CNN-LSTM; prognozowanie szeregów czasowych

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2024
• Tom: Vol. 2, no. 2
• Strony: art. no. 52
• Opis fizyczny: Bibliogr. 26 poz., rys., wykr.

Twórcy

autor

Acharya Kushal

• Texas A&M University, Civil and Environmental Engineering, 3136 TAMU College Station, Texas

• https://orcid.org/0009-0001-8756-4217

autor

Quadrifoglio Luca

• Texas A&M University, Civil and Environmental Engineering, 3136 TAMU College Station, Texas

• https://orcid.org/0000-0002-2596-7504

Bibliografia

• 1. Hossain, M., & Muurlink, O. (2020). Current Issues in the Sharing Economy: The Debate about Uber. International Journal of Social Science Studies, 2020.
• 2. New York City Taxi and Limousine Commission. "About TLC". Retrieved 2023-06-03.
• 3. New York City Taxi and Limousine Commission. "2018 TLC Factbook". Retrieved 2023-06-03.
• 4. Moreira-Matias, L., Gama, J., Ferreira, M., Mendes-Moreira, J., & Damas, L. Predicting taxi–passenger demand using streaming data. IEEE Transactions on Intelligent Transportation Systems, 2013.
• 5. Yuan, J., Zheng, Y., Xie, X., & Sun, G. T-drive: Enhancing driving directions with taxi drivers' intelligence. IEEE Transactions on Knowledge and Data Engineering, 2011.
• 6. Yao, H., Wu, F., Ke, J., Tang, X., Jia, Y., Lu, S., Gong, P., Ye, J., & Li, Z. Deep multi-view spatial-temporal network for taxi demand prediction. AAAI, 2018, pages 2588–2595.
• 7. Hyndman, R. J., & Athanasopoulos, G. Forecasting: principles and practice. OTexts., 2018.
• 8. Liu, L., Andris, C., & Ratti, C. . Uncovering cabdrivers' behavior patterns from their digital traces. Computers, Environment and Urban Systems, 34(6)., 2010, pages 541-548.
• 9. Breiman, L. Random forests. Machine learning, 45(1), 2001, pages 5-32
• 10. Z. Liu, H. Chen, Y. Li, and Q. Zhang, Taxi demand prediction based on a combination forecasting model in hotspots, J. Adv. Transp, 2020.
• 11. Poongodi M, Malviya M, Kumar C, Hamdi M, Vijayakumar V, Nebhen J, Alyamani H. New York City taxi trip duration prediction using MLP and XGBoost. Int J Syst Assur Eng Manag. 2022;13(Suppl 1):16–27. doi: 10.1007/s13198-021-01130-x. Epub 2021 Jul 1. PMCID: PMC82482
• 12. Zhang, J., Zheng, Y., Qi, D. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction. Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17), 2017.
• 13. Yao, H., Wu, F., Ke, J., Tang, X., Jia, Y., Lu, S., Gong, P., Ye, J., & Li, Z. Deep multi-view spatial-temporal network for taxi demand prediction. AAAI, 2018 pages 2588–2595.
• 14. Wu, Z., Pan, S., Long, G., Jiang, J., & Zhang, C. Graph wavenet for deep spatial-temporal graph modeling. In Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, IJCAI-19., 2019
• 15. J. Choi, H. Choi, J. Hwang, and N. Park, “Graph neural controlled differential equations for traffic forecasting,” in Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI-22), 2022
• 16. Davis, Neema & Raina, Gaurav & Jagannathan, Krishna. A multi-level clustering approach for forecasting taxi travel demand. 223-228., 2016 10.1109/ITSC.2016.7795558.
• 17. Berndt, D. J., & Clifford, J. Using dynamic time warping to find patterns in time series. AAAIWS'94: Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, Seattle, WA, USA., 1994.
• 18. Paparrizos, J., & Gravano, L. k-shape: Efficient and accurate clustering of time series. Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, 2015
• 19. Moreira-Matias, L., Gama, J., Ferreira, M., Mendes-Moreira, J., & Damas, L. Predicting taxi–passenger demand using streaming data. IEEE Transactions on Intelligent Transportation Systems, 14(3), 1393-1402. 2013
• 20. U. Vanichrujee, T. Horanont, W. Pattara-atikom, T. Theeramunkong and T. Shinozaki, "Taxi Demand Prediction using Ensemble Model Based on RNNs and XGBOOST," 2018 International Conference on Embedded Systems and Intelligent Technology & International Conference on Information and Communication Technology for Embedded Systems (ICESIT-ICICTES), Khon Kaen, Thailand, 2018, pp. 1-6, doi: 10.1109/ICESIT-ICICTES.2018.8442063.
• 21. Weather Underground. Historical Weather: New York City, New York. Retrieved June 03, 2023, from https://www.wunderground.com/history/daily/us/ny/new-york-city/KLGA.
• 22. Office Holidays. (n.d.). United States Public Holidays 2017. Retrieved from https://www.officeholidays.com/countries/usa/2017
• 23. Rousseeuw, P. J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65., 1987.
• 24. Calinski, T., & Harabasz, J.. A Dendrite Method for Cluster Analysis. Biometrics, 30(1), 101-107, 1974
• 25. Chen, T., & Guestrin, C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining., 2016.
• 26. Shi, X., Chen, Z., Wang, H., Yeung, D. Y., Wong, W. K., & Woo, W. C. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. Advances in Neural Information Processing Systems, 802-810., 2015.

Uwagi

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).