移动出行轨迹数据挖掘研究最新进展

出行是城市居民的一项基本日常活动,其便捷化和智能化程度深刻决定着城市居民的生活质量,是衡量智慧城市建设发展水平的重要性能指标。移动互联网、定位等技术的发展并成熟,以及集感知、传输、计算能力于一体的智能手机等移动终端的快速普及,使得乘客实时位置、车辆实时位置和载客状态等信息很容易获得。在此背景下,基于移动端的出行模式—移动出行这一新型出行方式应运而生,并逐渐成为城市居民出行的新趋势。

基于出租车的移动出行虽较大程度上缓解了乘客打车难和出租车司机寻客难等矛盾,但也带来了新问题,如挑客、拒载等现象日趋严重。为保证乘客出行质量,基于专车(如Uber、神州专车等)的移动出行则引入“动态价格”机制 ,通过高价激励司机主动参与载客资源分配,以平衡区域的实时供需关系。

但目前动态价格(也即倍率)以不友好的“黑盒子”形式呈现给用户,其透明性、公平性广受诟病,促使用户产生了焦虑心理,无形中加重了乘客的出行负担。基于专车移动出行,一个通常的情形是:为获取合适的乘车价格,大多数乘客往往“三思而后行”。他们或选择在原处等待一段时间后,或漫无目的游走到附近区域后,继续尝试价格搜索,这势必降低了乘客的出行效率和满意度。

聚焦于动态价格,以乘客为中心,从个人微观层面为乘客提供切实可行的操作指导,以实现辅助乘客快速决策、缓解乘客焦虑心理及提高乘客满意度。自2017年以来,课题组主要取得了以下科研成果:

· 乘客于动态价格反应行为建模:在挖掘乘客反应行为时空模式,分析动态价格的时空分布及理解乘客出行需求弹性的特性基础上,扩展经济学中价格搜索理论模型量化三者之间的关系。该成果发表在普适计算领域顶级会议UbiComp[1]。

· 基于历史数据的动态价格预测模型:基于城市区域功能特性和动态价格历史数据,课题组提出针对不同区域设计不同的动态价格预测器的想法。具体而言,提出基于信息熵的概念衡量每一区域的动态价格可预测程度。若该区域的动态价格可预测性较好,则选取简单高效率的基于马尔科夫链的预测器;反之,则选择较为复杂但精度较高的神经网络预测器该成果发表在普适计算领域顶级会议MobiQuitous [2]和智能交通领域主流期刊IET ITS [3]。

· 基于多源数据联合挖掘的动态价格预测:从多源数据源提取与动态价格相关的特征,并对这些特征进行组合使其具有更具描述意义。在此基础上,建立强解释性的线性模型,实现高精度预测乘车请求的动态价格。基于已构建的线性模型,分析了不同时空下和不同城市功能区域,基于专车移动出行与其他出行方式之间的量化关系,实现从微观(乘客、司机等)到宏观(城市交通、城市动态等)全方位、深层次理解新型移动出行对城市运行产生的影响。该成果发表在普适计算领域顶级会议UbiComp[4]。

· 乘客出行意图实时推测:利用多源数据感知乘客下车点附近的城市居民活动的时空情景,并据此提出基于贝叶斯推理模型,实现准确、实时地推测乘客下车后的乘车活动(出行意图)。该成果发表智能交通领域顶级期刊IEEE T-ITS [5]。

参考文献

  1. Suiming Guo, Chao Chen*, Yaxiao Liu, Ke Xu, Dah-Ming Chiu. Modelling Passengers’ Reaction to Dynamic Prices in Ride-on-demand Services: A Search for the Best Fare. In: Proceedings on the ACM (PACM) on Interactive Mobile, Wearable and Ubiquitous Technologies (IMWUT, UbiComp’18), 2018. (CCF-A)
  2. Suiming Guo, Chao Chen*, Yaxiao Liu, Ke Xu, Dah-Ming Chiu. It Can be Cheaper: Using Price Prediction to Obtain Better Prices from Dynamic Pricing in Ride-on-demand Services. In: EAI International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services (MobiQuitous’17), Melbourne, Australia, 2017. (CCF-C)
  3. Suiming Guo, Chao Chen, Yaxiao Liu, Ke Xu, Bin Guo, Dah Ming Chiu. How to pay less: a location-specific approach to predict dynamic prices in ride-on-demand services. IET Intelligent Transport Systems, 2018.
  4. Suiming Guo*, Chao Chen*, Yaxiao Liu, Ke Xu, Daqing Zhang and Dah-Ming Chiu.  A Simple but Quantifiable Approach to Dynamic Price Prediction in Ride-on-Demand Services Leveraging Multi-source Urban Data. In: Proceedings on the ACM (PACM) on Interactive Mobile, Wearable and Ubiquitous Technologies (IMWUT, UbiComp’18), 2018. (the first two authors contributed equally) (CCF-A)
  5. Chao Chen, Shuhai Jiao, et al. TripImputor: Real-time Imputing Taxi Trip Purpose Leveraging Multi-sourced Urban Data. In: IEEE Transactions on Intelligent Transportation Systems (T-ITS), 2018, to appear.