JP2020531939A - 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法 - Google Patents

乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法 Download PDF

Info

Publication number
JP2020531939A
JP2020531939A JP2019572061A JP2019572061A JP2020531939A JP 2020531939 A JP2020531939 A JP 2020531939A JP 2019572061 A JP2019572061 A JP 2019572061A JP 2019572061 A JP2019572061 A JP 2019572061A JP 2020531939 A JP2020531939 A JP 2020531939A
Authority
JP
Japan
Prior art keywords
time
zone
passenger
expected
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2019572061A
Other languages
English (en)
Inventor
ジンタオ ケ
ジンタオ ケ
グオジュン ウー
グオジュン ウー
チャンティアン シュー
チャンティアン シュー
ハイ ヤン
ハイ ヤン
ヤーフェン イン
ヤーフェン イン
ジエピン イェ
ジエピン イェ
Original Assignee
ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド
ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド, ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド filed Critical ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド
Publication of JP2020531939A publication Critical patent/JP2020531939A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0208—Trade or exchange of goods or services in exchange for incentives or rewards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

方法は、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金を含む期間にわたるエリア内の履歴ビークルサービスデータを取得するステップ（４０１）と、エリアを複数のゾーンに離散化し、期間を複数の時間セグメントに離散化するステップ（４０２）と、ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップ（４０３）と、集約された履歴ビークルサービスデータに基づいてゾーンＡからゾーンＡの各隣接ゾーンに移動するための乗客探索ビークルに対する予想報酬を取得するステップ（４０４）と、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための予想報酬に基づいてゾーンＡから隣接ゾーンＢに移動する乗客探索ビークルの確率を取得するステップ（４０５）とを含む。【選択図】図１

Description

本開示は、一般に、ライドソーシング・ビークル・ナビゲーション（ride-sourcing vehicle navigation）を決定するためのシステムおよび方法に関する。
モバイルインターネット技術のブームに伴い、ライドソーシングサービスは、通勤者および他のタイプの乗客にとって、ますます重要な移動モードになってきている。ライドソーシング・プラットフォームは、従来のタクシーサービスよりも、運転者と乗客との間の、はるかに効率的な情報ブリッジを提供することができ、したがって、検索摩擦(供給とマッチを見つけるプロセスの、需要およびコストとのマッチングに対する障害)を低減することができる。その有効性、効率、および比較的低価格のために、ライドソーシングサービスの人気が高まっている。さまざまな要因の中で、ビークルの動きをモデル化することが重要であり、それに基づいて、探索摩擦をさらに低減し、全体的な輸送効率を高めるための方針を開発することができる。
本開示の様々な実施形態は、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するように構成されたシステム、方法、および非一時的なコンピュータ可読媒体を含むことができる。一態様によれば、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための例示的な方法は、ある期間にわたってエリア内の履歴ビークルサービスデータを取得することと、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金（trip fares）を含む、履歴ビークルサービスデータを取得することと、エリアを複数のゾーンに離散化し、期間を複数の時間セグメントに離散化することと、ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約することと、集約された履歴ビークルサービスデータに基づいて、乗客探索ビークルが、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、予想報酬を取得することと、乗客探索ビークルが、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための予想報酬に基づいて、ゾーンＡから隣接ゾーンＢに移動する、乗客探索ビークルの確率を取得することと、を含むことができる。
別の態様によれば、1つまたは複数のプロセッサによって実行されると、1つまたは複数のプロセッサに、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための方法を実行させる命令を記憶する非一時的なコンピュータ可読記憶媒体である。本方法は、ある期間にわたるエリア内の履歴ビークルサービスデータを取得するステップであって、前記履歴ビークルサービスデータは、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴運賃を含む、履歴ビークルサービスデータを取得するステップと、エリアを複数のゾーンに離散化し、前記期間を複数の時間セグメントに区分するステップと、ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップと、集約された履歴ビークルサービスデータに基づいて、乗客探索ビークルが、ゾーンＡから、ゾーンＡの各隣接ゾーンに移動するための予想される報酬を取得するステップと、乗客探索ビークルが、ゾーンＡから、ゾーンＡの各隣接ゾーンに移動するための予想される報酬に基づいて、ゾーンＡから、隣接ゾーンＢに移動する、乗客探索ビークルの確率を取得するステップとを含むことができる。
別の態様によれば、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムは、1つまたは複数のプロセッサと、1つまたは複数のプロセッサによって実行されると、1つまたは複数のプロセッサに、方法を実行させる命令を記憶する、非一時的なコンピュータ可読記憶媒体とを備えることができる。本方法は、ある期間にわたるエリア内の履歴ビークルサービスデータを取得するステップであって、前記履歴ビークルサービスデータは、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金を含む、履歴ビークルサービスデータを取得するステップと、エリアを複数のゾーンに離散化し、前記期間を複数の時間セグメントに区分するステップと、ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップと、集約された履歴ビークルサービスデータに基づいて、乗客探索ビークルがゾーンＡから、ゾーンＡの各隣接ゾーンに移動するための、予想される報酬を取得するステップと、前記乗客探索ビークルがゾーンＡから、ゾーンＡの各隣接ゾーンに移動するための予想される報酬に基づいて、ゾーンＡから、隣接ゾーンＢに移動する乗客探索ビークルの確率を取得するステップとを含むことができる。
本明細書で開示されるシステム、方法、および非一時的なコンピュータ可読媒体のこれらおよび他の特徴、ならびに構造の関連する要素の動作および機能の方法、ならびにパーツ（parts）の組合せ、ならびに製造の経済性は、添付の図面を参照して以下の説明および添付の特許請求の範囲を考察するとより明らかになり、添付の図面のすべては、本明細書の一部を形成し、同様の参照番号は、様々な図中の対応するパーツを指定する。しかしながら、図面は、例示および説明のみを目的としており、本発明の限定の定義として意図されていないことが明確に理解されるべきである。本技術の様々な実施形態の特定の特徴は、添付の特許請求の範囲に、詳細に記載されている。本技術の特徴および利点のより良い理解は、本発明の原理が利用される、例示的な実施形態を記載する、以下の詳細な説明、および添付の図面を参照することによって得られるであろう。
図１は、様々な実施形態による、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための例示的な環境を示す。 図２Ａは、従来技術による例示的な正方格子を示す。 図２Ｂは、本開示の様々な実施形態による、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための例示的な六角形格子を示す。 図２Ｃは、様々な実施形態による、乗客探索ライドソーシング・ビークル・モデルを用いたデータ分析に基づく、例示的な運転者の動きを示す。 図２Ｄは、様々な実施形態による、乗客探索ライドソーシング・ビークル・モデルを用いた、データ分析に基づく、例示的な要求されたオーダの分布を示す。 図３Ａは、本開示の各種実施形態による、３つのタイプのドライバの各種説明的属性を示す。 図３Ｂは、本開示の各種実施形態による、３つのタイプのドライバの各種説明的属性を示す。 図３Ｃは、本開示の各種実施形態による、３つのタイプのドライバの各種説明的属性を示す。 図３Ｄは、本開示の各種実施形態による、３つのタイプのドライバの各種説明的属性を示す。 図４は、様々な実施形態による、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための例示的な方法のフローチャートを示す。 図５は、本明細書で説明される実施形態のいずれかが実装され得る例示的なコンピュータシステムのブロック図を示す。
輸送サービスのための車両プラットフォームを提供することができる。このような車両プラットフォームは、プラットフォームアプリケーションがインストールされた、携帯電話などのデバイスを介してアクセス可能な、ビークルヘイリング（vehicle hailing）、ビークル派遣（vehicle dispatching）、またはライドソーシング・プラットフォームとも呼ばれ得る。アプリケーションを介して、ユーザ(輸送要求者)は、輸送要求(例えば、ピックアップ位置、目的地)をビークルプラットフォームに送信することができる。ライドソーシング・プラットフォームは、要求をビークルドライバに中継することができる。時には、２人以上の乗客/乗客グループが、同じビークル内のカープールを要求することができる。ビークルドライバは、要求から選択し、それを受け入れ、乗客をピックアップし、降ろし、それに応じて報酬を受けることができる。
パッセンジャーズ・ヘイリング・ライドソーシング・ビークル（passengers hailing ride-sourcing vehicle）の増加傾向にもかかわらず、乗客を求めている空のビークルのための、ビークル・ルーティング選択をシミュレートするためのモデルは、開発されていない(この開示における「空」は、乗客が乗っていないが、ドライバが乗っていて、おそらく乗客を探索しているビークルを指すことがある)。既存のモデルの中には、伝統的なタクシーの挙動を記述するものもあるが、これらのモデルは、様々な理由でライドソーシング・ビークルに適用することができない。路上をクルーズ（cruise）して、あちこち動き回って、乗客をピックアップするタクシーとは異なり、ライドソーシング・プラットフォームは、乗客からピックアップオーダの形式で、輸送要求を受け取り、次いで、各オーダを、近くの空き運転手のうちの1人に発送（dispatch）する。ライドソーシング・ビークルの場合、ドライバは、判定された位置から、乗客をピックアップする要求を受け取る必要があり、そうでなければ、プラットフォームによってペナルティを課されることになる。例えば、１日に３つ以上の注文をキャンセルすると、サービススコアを控除したり、補助金/賞金を撤回したりすることによって、ライドソーシング・ビークルドライバに罰金を科すことができる。ライドソーシングと、伝統的なタクシーサービスとの間のこのような異なるマッチングモードのために、ライドソーシング・ドライバは、特に空いているとき、および乗客探索のときに、伝統的なタクシードライバとは異なる挙動を有する。他方、インターネットベースのマッチングシステムの助けを借りて、ライドソーシング・プラットフォームは、伝統的なタクシーＧＰＳ記録及び調査よりも、より豊富でより正確な車両情報を提供することができる。
乗客探索ライドソーシング・ビークルをシミュレートするためのロバスト（robust）なモデルを提供し、上述の既存の技術の欠点を少なくとも軽減するために、乗客探索ライドソーシング・ビークルの動きをモデル化するためのシステム、方法、および非一時的なコンピュータ可読媒体が開示される。様々な実施形態では、乗客探索ライドソーシング・ビークルの動きをモデル化するためのロジットベースのモデル（logit-based model）が開示される。
例えば、ロジットベースのゾーン選択モデルは、空のライドソーシング・ドライバの乗客探索行動を特徴付けるために開示される。このモデルでは、空のライドソーシング・ドライバが、六角形ベースのセル間を移動するようにモデル化される。このモデルは、要求されたオーダ(需要側)およびライドソーシング・ビークルのＧＰＳ軌跡(供給側)の両方から検索された係数を考慮する。要求されたオーダは、要求されたオーダの数、回答率(要求されたオーダに対する一致したオーダの比率)、予想される乗客待ち時間、予想されるトリップ（trip）料金、および予想されるピックアップ時間を含むファクタを提供する。ＧＰＳデータから、予想される空きドライバの滞在時間は、ドライバの総空き時間と、ドライバの数との比として定義することができ、これは、供給強度およびドライバの機会コスト（opportunity cost）を反映する。このモデルは、空いているライドソーシング・ドライバが、空になったときに、明確な目的地を有していないが、これらの候補ゾーンの報酬と、到達する可能性のある、次のゾーンの報酬とを比較することによって、隣接するゾーンのうちの1つに向かって移動すると、仮定することができる。報酬は、要求されたオーダの数(需要強度を反映する)、平均トリップ料金、平均ピックアップ時間、平均ドライバのクルーズ時間などを含む説明変数によって表される。このモデルは、ドライバの乗客探索行動を、精巧な時空間的方法で描写し、説明変数が、時間(例えば、各５分間隔)および空間(例えば、６６０ｍの長辺長を有する各六角形)にわたって変化し、その下でライドソーシング・ドライバが異なる決定を下すことができることを示す。このモデルは、供給側情報(ライドソーシング・ドライバのＧＰＳ軌跡)および需要側情報(顧客によって要求されるビークルサービスオーダ)の両方を有する大規模ライドソーシングデータセットにおいて検証することができる。モデル較正の効率を改善するために、調整された最尤推定（ＭＬＥ）アプローチが適用される。ＭＬＥは、標準的な多項ロジットモデルよりも効率的であり、説明変数の係数を較正し、次いで各係数の有意性を試験するために、使用することができる。開示されたシステムおよび方法は、少なくとも以下の理由により、現在の技術と区別することができる。
１）開示されたモデルは、顧客探索ライドソーシング・ビークルの動きをシミュレートする最初のものの1つである。例えば、開示されたロジットベースのゾーン選択モデルは、六角形ゾーン間のライドソーシング・ドライバの時変乗客探索運動をシミュレートする。２）この開示されたモデルは、説明変数の強力な説明、統計的仮説検定との便利な組み込み、および容易な実施および較正のための利点を有する。３）開示されたモデルは、ビークルプラットフォームサービスを向上させ、輸送効率を向上させるための重要な結果を提供する。例えば、モデル化結果は、ドライバの乗客探索行動のほとんどが、近くのゾーンで要求されたオーダによって影響され、運転者は「不合理な」乗客探索行動を有するかもしれないことを示している。例えば、運転者は、競争の激しい（heated）ゾーンに流れ込み、長いクルーズ時間及びピックアップ時間に悩まされる可能性がある。その結果は、探索摩擦を低減するために、空きルート推薦、最適な派遣（dispatching）、および時空間補助金（spatio-temporal subsidy）/価格設定戦略などのインセンティブ化されたメカニズムを課すために、ライドソーシング・プラットフォームおよびトラッフィクオペレータに依拠し得る。
図１は、様々な実施形態による、乗客を求める乗り物調達車両ナビゲーションを決定するための例示的な環境１００を示す。図1に示すように、例示的な環境１００は、1つまたは複数のプロセッサ１０４およびメモリ１０６を含む、少なくとも1つのコンピューティングシステム１０２を備えることができる。メモリ１０６は、一時的でなく、コンピュータ可読であってもよい。メモリ１０６は、1つまたは複数のプロセッサ１０４によって実行されると、1つまたは複数のプロセッサ１０４に、図２Ｂから図４を参照して以下で説明する乗客探索ライドソーシング・ビークルをモデル化するための方法(たとえば、方法４００およびその対応する説明)など、本明細書で説明する様々な動作を実行させる命令を記憶することができる。システム１０２は、サーバ、コンピュータなどの様々なデバイス上で、または様々なデバイスとして実装することができる。システム１０２は、環境１００の他のデバイスにアクセスするために、適切なソフトウェアおよび/またはハードウェア(例えば、ワイヤ、ワイヤレス接続など)と共にインストールされ得る。いくつかの実施形態では、システム１０２は、乗客探索ライドソーシング・ビークルをモデル化するためのシステムを具現化することができる。
環境１００は、システム１０２にアクセス可能な、1つまたは複数のデータストア(例えば、データストア１０８)および1つまたは複数のコンピューティングデバイス(例えば、コンピューティングデバイス１０９、１１０、または１１１)を含むことができる。いくつかの実施形態では、システム１０２は、データストア１０８(例えば、輸送履歴トリップのデータベースまたはデータセット)および/またはコンピューティングデバイス１０９、１１０、または１１１(例えば、コンピュータ、サーバ、タブレット、ウェアラブルデバイス(スマートウォッチ)、時間、場所、および料金などの輸送トリップ情報を捕捉するドライバ、または乗客によって使用される携帯電話)からデータ(例えば、ビークル履歴サービスデータ)を取得するように構成されてもよい。ロケーションは、ビークルのＧＰＳ(Global Positioning System)座標を含むことができる。
この図では単一の構成要素として示されているが、システム１０２、データストア１０８、およびコンピューティングデバイス１０９は、共に結合された単一のデバイスまたは複数のデバイスとして実装することができ、あるいはそれらのうちの２つ以上を、共に統合することができることを理解されたい。システム１０２は、単一のシステムとして、または互いに結合された複数のシステムとして、実装することができる。一般に、システム１０２、コンピューティング制御装置１０９、データストア１０８、およびコンピューティング制御装置１０９、１１０、および１１１は、データを通信することができる、1つまたは複数の、有線または無線ネットワーク(たとえば、インターネット)を介して、互いに通信することができる。
いくつかの実施形態では、システム１０２、またはシステム１０２に結合された同様のシステムは、オンライン情報またはサービスプラットフォームを実装することができる。サービスは、ライドソーシング・ビークル(例えば、自動車、自転車、ボート、飛行機など)に関連付けられてもよく、プラットフォームは、ビークル(サービスヘイリングまたはライドソーシング)プラットフォームと呼ばれてもよい。プラットフォームは、輸送の要求を受け入れ、要求を満たすビークルを識別し、ピックアップを手配し、トランザクションを処理することができる。例えば、ユーザは、コンピューティングデバイス１１１(例えば、プラットフォームに関連付けられたソフトウェアアプリケーションがインストールされた携帯電話)を使用して、プラットフォームからの輸送を要求することができる。システム１０２は、要求を受信し、それを様々なビークルドライバに中継することができる(例えば、ドライバによって携帯される携帯電話に、要求をポスティング（posting）することによって)。車両ドライバのうちの1つは、コンピューティングデバイス１１０(例えば、プラットフォームに関連付けられたアプリケーションと共にインストールされた別の携帯電話)を使用して、ポスティングされた輸送要求を受け入れ、ピックアップ位置情報を取得することができる。移動料金(例えば、輸送料金)は、システム１０２とコンピューティングデバイス１１０および１１１との間で取引することができる。運転者は、提供される輸送サービスに対して補償されることができる。いくつかのプラットフォームデータは、メモリ１０６に格納されてもよく、またはデータストア１０８および/またはコンピューティングデバイス１０９、１１０、および１１１から取り出し可能であってもよい。
図２Ａは、従来技術による例示的な正方格子を示す。図２Ｂは、本開示の様々な実施形態による、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための例示的な六角形格子を示す。様々な実施形態では、ドライバのゾーン選択挙動をモデル化するために、ドライバの動きおよび決定が定義される。例えば、ＧＰＳで得られた空の(乗客を持たない)ライドソーシング・ビークルの乗客探索軌道Ｔｒは、一連の時空間状態(lati,lngi,τi)によって表すことができ、ここで、lati,lngi,τiは、i番目のＧＰＳレコードの緯度、経度、および時間である。したがって、領域(例えば、都市全体)は、様々なゾーンに分割することができ、各ゾーンは、いくつかの隣接するゾーンと側部接続される（side-connected）。図２Ａに示す輸送/都市コンピューティングの従来技術では、領域は、各種正方格子に分割されていた。しかしながら、開示されたモデルは、正方形格子に勝る利点のために、ゾーン単位として図２Ｂに示される正六角形格子を使用することができる。主な利点の1つは、各六角形が、6つの対称的に等価であり、明確な側部隣接六角形を有することである。しかしながら、各正方形は、2つの種類の近傍、すなわち、側部接続された近傍(各近傍正方形は、電流正方形と一辺を共有する)と、コーナー接続された近傍(各近傍正方形は、電流正方形とコーナーのみを共有する)とを有し、これは、ドライバの乗客探索決定の選択(隣接ゾーン)を非対称にする。
いくつかの実施形態では、六角形離散グローバルグリッドシステムは、調査される領域を各種六角形にシームレスに分割するために使用することができる(例えば、各六角形について約６６０メートルの辺長)。六角形のゾーンが決定されると、ＧＰＳレコードの各座標(lati,lngi)を、ゾーンの1つにマッピングすることができる。次に、Ｔｒは、ゾーン時間状態(ｚｉ,τi)のシーケンスを有する新しい遷移Ｔｒ'に転送することができ、ここで、ｚｉは、属するゾーン(lati,lngi)である。モデルを単純化するために、ドライバの乗客探索決定について、２つの仮説を立てることができる。
仮説１）ｚｉの各ドライバは、それぞれの意思決定において、ゾーンｚｉに留まるか、ziの隣接するゾーンの1つに移動することを決定する。ドライバは、これらの隣接するゾーンの予想される収益性を比較することによって決定を行う。ＧＰＳ点は、おおよそ３秒毎に記録されるので、1つのゾーンの領域は、1人のドライバが、ゾーンｚｉからその隣接ゾーンの外側のゾーンへ３秒の間隔で移動できないことを保証するのに十分な大きさである。
仮説２）一旦、ドライバが、ゾーンziから隣接するゾーンzjに移動すると、その動きは、ziからzjへの乗客探索決定の観測値として扱うことができる。ゾーンziにおけるドライバの滞留時間が、一定の内部δよりも大きい場合、ziからziへの乗客探索決定の観測値として扱うことができる。例えば、開示されたモデルでは、δ=５ｍｉｎとなるように構成されている。
いくつかの実施形態では、ドライバの乗客探索決定をモデル化するために、離散選択モデルが使用される。例えば、１日の時間は、種々の５分の時間間隔に離散化することができ、空いている運転者の乗客探索行動を特徴付けるための説明変数は、各時間間隔内で集約される。したがって、運転者の乗客探索決定は、式1のようなモデルとすることができる。
但し、
は、ゾーンｚｉからゾーンｚｉへ移動する空き車両の確率を示す。
は、ゾーンiからゾーンｚｉへの移動に対する期待報酬(説明変数によって表される)を指し、βは、これらの変数に対するドライバの好みを示す。正/負のβn(βのｎ番目の要素)は、運転者の好みのゾーンが、ｎ番目の説明変数と正/負の関係にあることを意味し、一方、βnの大きさは、好みの強さを反映する。Ａ（ｉ）は、ゾーンｚｉの隣接するゾーンのセットを意味し、ゾーンｚｉにおけるドライバの乗客探索選択セットを意味する。
以下、種々の説明変数について説明する。いくつかの実施形態では、ライドソーシング・プラットフォーム・データから収集された各オーダは、要求時間τr(乗客がオーダを要求したとき)、発送時間τd(オーダがドライバに発送されたとき)、到着時間τa(ドライバが要求された場所に到着したとき)、充電開始時間τb(トリップの開始)、および終了時間τf(トリップの終了)を含むことができる。τd,τb,およびτfにおけるドライバの緯度および経度が記録され、(latd,lngd)、(latb,lngb)、および(latf,lngf)として示される。以下の説明変数は、運転者の乗客探索行動に影響を及ぼす可能性があり、期待される報酬を決定するために使用することができる。上述したように、説明変数は、５分間隔毎に集計され、考慮され、以下を含むことができる。
予想されるピックアップ時間:ｍ次オーダのピックアップ時間:ptm=τa−τd、および時間間隔tにおけるゾーンｚｉの予想ピックアップ時間、
は、ゾーンziにおけるすべてのオーダのピックアップ時間の平均(latd,lngd)およびtにおけるτdに等しい。すなわち、いくつかの実施形態では、時間セグメントのうちの1つについての予想されるピックアップ時間は、ゾーンＡにおいて乗客をピックアップするための乗客探索ビークルの履歴平均ピックアップ時間を含み、ピックアップ時間は、乗客の注文を受け取る乗客探索ビークルと、乗客探索ビークルによってピックアップされている乗客との間の時間差であり、乗客のオーダは、時間セグメント内に受け取られた。
予想トリップ料金:ｍ番目のオーダのトリップ料金がtfmであると仮定すると、
は、tにおけるゾーンziおよびτdにおける(latd,lngd)を有するすべてのオーダのtfmの平均によって計算される。すなわち、いくつかの実施形態では、時間セグメントのうちの1つの予想トリップ料金は、時間セグメント内のゾーンＡで受信された乗客オーダの履歴平均トリップ料金を含む。
予想される乗客待ち時間:
は、ゾーンziにおける運転者のピックアップ位置(latd,lngd)および時間間隔tにおけるピックアップ時間τdを有するすべてのオーダの乗客待ち時間の平均に等しい。すなわち、いくつかの実施形態では、時間セグメントのうちの1つに対する予想乗客待ち時間は、ゾーンＡに発注され、時間セグメント内に受信された乗客オーダの履歴平均待ち時間を含み、待ち時間は、乗客オーダが発注された時間と、乗客がピックアップされた時間との間の時間差である。
予想オーダ数:
は、時間間隔t中のゾーンｚｉにおける要求注文数を示す。すなわち、いくつかの実施形態では、時間セグメントのうちの1つの予想される注文番号は、時間セグメント内のゾーンＡ内の乗客注文の履歴平均番号を含む。
予想回答率:
は、時間間隔ｔの間のゾーンziにおける要求されたオーダ数に対する満たされたオーダ数(ドライバに首尾よく発送されたオーダ数)の比を示す。すなわち、いくつかの実施形態では、期待回答率は、時間セグメント内のゾーンＡ内のいくつかの要求された乗客オーダに対するいくつかの満足された乗客オーダを含む。
予想される運転者の滞在時間:５分の時間間隔ｔを考慮すると、ゾーンｚｉに属する少なくとも1つのＧＰＳ記録を有する全てのドライバを選択することができ、各ドライバの累積滞在時間を計算することができる。次に、予想されるドライバの滞在時間、
は、時間間隔t内のゾーンzにおける全てのドライバの累積滞在時間の平均に等しい。すなわち、いくつかの実施形態では、予想されるドライバの滞在時間は、時間セグメント内のゾーンＡに滞在する各乗客探索ビークルの履歴平均時間を含む。
ドライバの期待は、特定の1日ではなく、多くの日におけるドライバの経験と知覚に基づいていると仮定することができる。ドライバは、オーダ、ピックアップ時間、トリップ料金などのリアル時間情報を有していないので、リアル時間情報に反応するよりも、経験的観察に頼る可能性が高い。
ここで、
は、ゾーンiおよび時間間隔tにおける説明変数のベクトルを表す。すなわち、
隣接するゾーン自体の期待収益性を比較することとは別に、ドライバは、隣接するゾーンのうちの1つに移動する場合に、到達する可能性があるゾーンの期待収益性を考慮することもできる。例えば、時間間隔t内にゾーンｚｉから始まるドライバの場合、ゾーンｚｉからゾーンｚｉ(ｚｉの隣接するゾーンのうちの1つ)への移動の予想される報酬は、式２のように書くことができる。
ゾーンｍが可能なゾーンである場合、運転者は、iからjに乗り物供給車両を運転するときに到達することになり、ここで、p(ｍ|i,j)は、運転者がiからjに移動した後に、車両がゾーンｍに移動する確率を指す。同様に、ゾーンlは、ドライバがiからjおよびｍへの順次移動（sequential movement）を行った後の潜在的な代替ゾーンを指し、p(l|ｉ,ｊ,ｍ)は、この条件下でのゾーンlへの決定の確率を示す。この場合、ゾーンj，ｍ，lは、第１ステップ、第２ステップ、第３ステップのポテンシャル隣接ゾーン（potential adjacent zones）と命名され、
は、１ステップ、２ステップ、３ステップの説明変数と命名される。開示されたモデルでは、空いている乗客探索移動の大部分が３つのゾーン内にあるので、説明変数の３つのステップを考慮することができる。
上述のように、δ=５ｍｉｎは、ライドソーシング・ビークルが隣接するゾーンに移動するか、または現在のゾーンに留まるかを区別するために使用されてもよい。いくつかの実施形態では、「隣接するゾーンのうちの1つに移動する」サンプルよりもはるかに多くの「現在のゾーン内に留まる」サンプルがあり、したがって、２進変数Ｍｉｊ(移動係数と呼ばれる)を使用して、このサンプル・バイアスをバランスさせることができる。Ｍｉｊは、i≠jであれば1に等しく、i=jであれば0に等しい。
各種較正ステップを以下に説明する。時間間隔tにおけるiからjへの移動のような各移動は、サンプルとして考慮される。観察されたサンプルは、i,j,およびtによってグループ化することができ、各グループ内のサンプルの数は、Ｎ(i,j,t)として示すことができる。次いで、尤度関数は、式３として書くことができる。式４は、式３から導出された対数尤度関数を示す。とりわけ、開示されたゾーン選択モデルと従来の多項式ロジットモデル（multinomial logit model）との間の違いは、Ａ（ｉ）などの選択設定が、サンプルの異なるグループにわたって異なることである。
ＬＬ(β)の一次導関数は、式５で導出される。右側の第２の部分は、(i,j,t)の代わりに(i,j,t)によってグループ化されることができ、これは、
という用語が、時間間隔t内のゾーンiから始まるすべてのサンプルについて同じであることを意味する。このグループ化技術を用いて、∂ＬＬ（β）／∂βの計算は、各反復において、３つのループ(i,j,t)の代わりに２つのループ(i,t)のみを必要とし、これは計算の複雑さを大幅に低減する。
一次導関数をゼロとすると、尤度関数ＬＬ(β)を最大にするβを得ることができる。式５において、右辺の第１の部分は、観測されたすべての説明変数の総和を示し、右辺の第２の部分側はβを条件とするモデルによって生成された期待説明変数を示す。直観的には、βが第1の部分を第２の部分に等しくすると、観測は、最も蓋然性が高い。∂ＬＬ（β）／∂βの閉形式は、最適βを得るのに使用されることに留意されたい(式６に示されるように)。
ここで、αは、勾配降下アルゴリズムの学習速度を制御するパラメータである。
ｋ番目の係数βｋの有意性を決定するために、帰無仮説Ｈ０:βｋ=0を使用することができる。最尤パラメータ推定値は、漸近的に分布しているので、各βｋのｚスコアを計算することができ、これは漸近的に標準正規分布(式７に示す)に従う。
ここで、ｖａｒ（β）は、βの分散−共分散行列であり、[var(β)]ｋ、ｋはvar(β)のｋ番目の対角要素を意味する。zスコアが、ある正/負の閾値(秘匿レベル)よりも大きい/小さい場合、帰無仮説（null hypothesis）を拒絶することができ、これは、係数βｋが正/負に有意であることを示す。var(β)は、負のヘッシアン行列（hessian matrix）Ｈ(β)によって推定されるフィッシャー情報行列（fisher information matrix）I(β)の逆数によって計算することができる。例えば、（ｖａｒ（β）＝［Ｉ(β)] −１＝[−Ｈ(β)] −１である。ヘッシアン行列Ｈ(β)は、尤度関数の二次導関数を計算することによって導出することができる(式８参照)。
様々な実施形態では、開示されたゾーン選択モデルは、現実世界のデータセットに適用することができる。データセット内のデータは、履歴車両サービスデータと呼ばれることがある。まず、説明変数の基本統計量と相関について説明する。第２に、ドライバは、フルタイムドライバ、パートタイムデリジェント（diligent）ドライバ、およびパートタイムレイジー（lazy）ドライバを含む３つのタイプに分類され、それらの特性が比較される。区域選択モデルによって、説明変数に対する異なるタイプの運転者の好みを学習することができる。
いくつかの実施形態では、２つのデータセット(例示的なビークルサービス履歴データ)が、１０営業日の間に都市から収集される。1つのデータセットは、約４９１万の要求されたオーダを含み、その各々は、上述の属性を有する。次に、オーダは、六角形ゾーンによって集約され、平均化される(例えば、６６０ｍの長辺の長さおよび５分の時間間隔を有する六角形ゾーンによって)。６：００−６：０５ＡＭのように、同じ時間間隔のオーダは、短期情報よりもドライバの長期経験的観察に依存する可能性が高いため、異なる日に集計される可能性がある。このようにして、各時間間隔および各六角形において、ピックアップ時間、トリップ料金、回答率、要求注文数、乗客待ち時間およびドライバ平均滞在時間を含む説明変数が得られる。表１は、説明変数の平均および標準偏差を示す。モデルを訓練する前に、各説明変数を、ゼロ手段および単位標準偏差を有する分布に正規化することができる。
他のデータセットは、様々なクラス(例えば、１５，３９３人のフルタイムドライバ、８，４７６人のパートタイム・デリジェント・ドライバ、および９，０１２人のパートタイム・レイジー・ドライバに対応する３つのクラス)に分けることができるライドソーシング・ドライバ(例えば、３２，８８１人のライドソーシング・ドライバ)の軌跡を含む。上述したように、各軌跡は、ＧＰＳによって３秒毎に記録された経度、緯度、及び時間のシーケンスを含むことができる。緯度および経度は、六角形格子にマッピングされ、その後、一連のゾーン探索移動を得ることができる。運転者が５分間にわたって1つの特定のゾーンに滞在する場合は、「滞在」、例えば、ゾーンiからゾーンiへの移動として扱うことができる。２つのゾーンの間に動きがなく、総持続時間が５分未満の軌跡は、データセットから除去することができる。データ処理の後、６４．１％の「滞在」および３６．９％の「移動」を含む５３５，３３０の空きドライバ乗客探索移動を訓練サンプルとして達成することができる。
運転者の動き及び要求されたオーダの空間分布は、それぞれ図２Ｃ及び図２Ｄに示されている。図２Ｃは、本開示の様々な実施形態による、乗客探索ライドソーシング・ビークル・モデルを用いたデータ分析に基づく例示的な運転者の動きを示す。図２Ｃでは、接続された六角形の間の矢印線の太さは、1つの六角形ゾーンから、その隣接する六角形ゾーンの1つに移動するサンプルの数を表し(「移動」アクション)、六角形内の緑色の円は、電流六角形ゾーンに滞留するサンプルの数を表す(「滞留」アクション)。矢印線が太いほど、「移動」アクションの数は大きくなり、円が大きいほど、「滞在」アクションの数は大きくなる。図２Ｄは、本開示の様々な実施形態による、乗客探索ライドソーシング・ビークル・モデルを用いたデータ分析に基づく、例示的な要求された注文の分布を示す。図２Ｄは、各六角形ゾーンにおける各５分の時間間隔内の次数の平均数のヒートマップを示し、色が深ければ深いほど、次数の平均数は大きくなる。要求された注文の密度が高いゾーンは、一般に空きドライバにとって、より魅力的であることが直感的に観察される。
表１：説明変数の統計量
共線性（collinearity）を避けるために、低い線形相関を有する説明変数を選択することができる。表２は、上記で提案された説明変数の一対の間のピアソン相関を示す。予想乗客待ち時間および予想ピックアップ時間は、最も高い相関、すなわち０．２４６を有する。予想されるピックアップ時間が長いことは、プラットフォームが乗客から遠く離れたところにドライバを派遣しなければならないことを示唆し、これは、供給不足が、予想される乗客の待ち時間を長くすることを意味する。要求されたオーダの予想数および予想回答率は、最も負の相関、すなわち−０．３１１を有する。要求されたオーダ数が多いゾーンほど、需給ギャップを被る可能性が高く、回答率が低下する。
表２:説明変数の相関
上述したように、ライドソーシング・ドライバは、フルタイムドライバ、パートタイム・デリジェント・ドライバ、およびパートタイム・レイジー・ドライバ(例えば、ｋ−手段クラスタリングアルゴリズムを適用することによる)を含む３つのクラスに分類することができる。ドライバを分類するためのｋ平均モデルに供給される特徴は、１週間当たりの労働日数、１日当たりの労働時間、およびドライバの登録情報(車種、性別、年齢など)を含むことができる。図３Ａ乃至３Ｄは、本開示の各種実施形態による、３つのタイプのドライバの各種説明属性を示す。属性の確率密度関数（ＰＤＦ）は、３つのタイプのドライバの１日当たりのトリップ時間(図３Ａ)、１日当たりの空き乗客探索時間(図３Ｂ)、ドライバが働く日数(図３Ｃ)、およびオーダ当たりのトリップ時間(図３Ｄ)を含む。開示されたモデルによるデータ分析に基づいて、プロットは、フルタイムドライバが、他の２つのタイプのドライバよりも長い、１日当たりのトリップ時間(図３Ａ)と、長い１日当たりの空き客探索時間(図３Ｂ)を有するが、１日当たりの旅行時間におけるオーグメンタ（augmenter）は、１日当たり空き客探索時間におけるオーグメンタよりも大きいことを示す。この分析は、フルタイムドライバが、空の乗客探索時間に対するトリップ時間の、より高い比率を有することを暗示し、これは、ドライバがより効率的であることを意味する。調査した１０日のうち、フルタイムドライバは、最も長い勤務日数を有し、パートタイムレーズ（laze）ドライバは、最も短い勤務日数を有する。図３Ｄは、フルタイムドライバが、パートタイムドライバよりも、注文当たりの平均トリップ時間が、著しく長いことを示し、これは、フルタイムドライバが、長時間の注文で首尾よく派遣される可能性が、高いことを示す。長時間のオーダは、一般に、短時間のオーダよりも高い値を有し、したがって、ドライバにとってより魅力的である。この結果は、２つの理由に起因し得る:１）フルタイムドライバは、より経験があり、長時間のオーダ（long order）を受け取る確率がより高い領域に、巡航する傾向がある;２）フルタイムドライバは、プラットフォームによって発送された短時間のオーダ（short order）をキャンセルする(例えば、各ドライバが発送されたオーダ（dispatched order）をキャンセルする３つの機会を有する場合)。
３種類の運転者に対する区域選択モデルの回帰結果を以下に述べる。これには、隣接区域の説明変数に対する運転者の好み、および運転者が複数の後続ステップで到達する可能性のある区域の、説明変数に対する運転者の応答が含まれる。すなわち、１）４つの六角形ゾーンをカバーする軌跡の１８．１％のみ(第３ステップの説明変数は、４つのクロスゾーン移動でドライバが到達することができるゾーンの属性を含む)、２）各六角形が十分に大きい(６６０メートルの辺長を有する)という2つの理由により、１ステップ、２ステップ、および３ステップの説明変数に対するドライバの好みを、上記２つのデータセットについて分析することができる。したがって、ドライバは、３つの連続したゾーン内のオーダに対して派遣されることを期待することができ、後続の遠く離れたゾーンの属性を考慮することができない。それにもかかわらず、モデルは、任意の数のステップを分析するように構成することができる。
表３、４、５は、それぞれフルタイム、パートタイムデリジェント、パートタイム・レイジー・ドライバの第１段階、第２段階、第３段階の説明変数に対する嗜好(係数β、zスコア、p値で評価)を示している。ｚスコアは、対応する係数βの有意性を表し、zスコアの大きさが大きいほど、係数はより有意である。正/負のzスコアは、ドライバが関連する説明変数に対して正/負の応答を有することを推論する。０．０１未満のp値(ｚスコアと相関する)が有意であると仮定することができる。この基準を用いて、開示されたモデルによるデータ分析は、以下を提供する。
１）３つのタイプのドライバに対する移動係数Ｍｉｊはすべて負であり、これは、ドライバが、サンプル分布(６４．１％「滞留」サンプル)と一致する隣接ゾーンに移動する代わりに、現在の六角形ゾーンに滞留する傾向があることを示す。フルタイムドライバのＭｉｊのzスコアは、最も負数であり、次いでパートタイム・デリジェント・ドライバ、次いでパートタイム・レイジー・ドライバが続く。フルタイムの空きドライバは、ガソリン代を節約するか、または長い作業時間の後に休息する傾向があるので、合理的である。
２）全ての説明変数の中で、要求されたオーダの数ＮＯが最も正に重要である。フルタイムドライバは、パートタイムドライバよりもＭｉｊ上でより高いzスコアを有し、フルタイムドライバは、高い要求されたオーダを有するゾーンに対してより敏感であることを示す。フルタイムドライバは、一般にパートタイムドライバよりも経験が豊富であるため、これは理にかなっている。さらに、ＮＯに対する運転者の好みは、ステップの増加に伴って急速に低下し、これは、運転者が、近くのゾーンにおいて予想される、要求されたオーダに、実質的に反応するが、おそらく、到達する遠く離れたゾーンの、要求されたオーダについては、あまり気にしないことを意味する。
３）３つのタイプのドライバに対するＤＳ上の係数は、有意の正数である。これは、運転者の「ヒツジのように従う」挙動（“follow like sheep”behaviors）によって説明することができる。ライドソーシング・ドライバは、時空的な需給状況に関する完全な情報を持っていないため、多数のオーダを受けてゾーンに集まり、突然の供給の急増と、それに続くドライバの巡航時間の長期化につながる。また、空港や鉄道駅のように需要が多く、長距離のオーダが多い高価値領域では、待ち行列に待っているドライバが多く集まる。
４）フルタイムドライバは、パートタイムドライバよりもトリップ料金ＴＦに対する、より有意な選択の好みを有する。高いトリップ料金は、長時間のオーダを意味し、したがって、観察は、フルタイムドライバが、オーダ当たりのより高い平均トリップ時間(遠くへのオーダを示す)を有する図３Ｄと一致する。これは、フルタイムドライバが、空港、鉄道駅、朝のピーク時の郊外住宅地など、長時間の注文の地域を巡航することを好むことを示している。
５）予想ピックアップ時間ＰＴ、予想回答率ＡＲ、予想乗客待ち時間ＰＷを含む他の説明変数に対する運転者の好みは、一般に重要ではない。これは、運転者がこれらの説明変数に関する詳細な情報を持たず、したがって、空きの乗客を求める決定を運転者に頼らないことを意味する。
表３.説明変数に対するフルタイムドライバの好み
表４．パートタイムデリジェントなドライバ（part-time diligent drivers）の説明変数に対する好み
表５．パートタイムレイジーなドライバ（part-time lazy drivers）の説明変数に対する好み
示されるように、シミュレーションは、ライドソーシング・プラットフォーム/交通マネージャのための貴重な洞察を提供することができる。例えば、シミュレーション分析は、ドライバが、高い需要を有するゾーンに過剰反応し、これらのゾーンに流れ込み、短期間の過剰供給状態につながる可能性があることを示している。このマイナスの効果は、プラットフォームと、ドライバとの間の情報の非対称性によってもたらされ、プラットフォームが、ドライバにリアルタイムの空間的供給需要情報を提供する場合に、軽減することができる。ドライバの情報が不完全であり、「ヒツジのように従う」行動のために、ドライバは、最適な空き客探しルートを計画しないかもしれない。したがって、いくつかのアプリケーションまたはポリシーは、全体的な効率を改善し、探索摩擦を低減するために開発することができる:１)乗客探索ドライバのための乗客探索ルート推奨;２)小さな賞（small award）をもつ空き運転者の派遣;および３)運転者を供給よりも低い需要をもつゾーンに引きつける時空間補助戦略(spatio-temporal subsidy strategies)。
図４は、本開示の様々な実施形態による、乗客ライドソーシング・ビークル・ナビゲーションを決定するための例示的な方法４００のフローチャートを示す。例示的な方法４００は、例えば、図１の環境１００を含む様々な環境で実施することができる。例示的な方法４００は、システム１０２の1つまたは複数の構成要素(たとえば、プロセッサ１０９４、メモリ１０６)によって実装され得る。方法４００は、システム１０２と同様の複数のシステムによって実施することができる。以下に提示する方法４００の動作は、例示を意図したものである。実装形態に応じて、例示的な方法４００は、様々な順序で、または並行して実行される追加のステップ、より少ないステップ、または代替のステップを含むことができる。
ブロック４０１は、ある期間にわたるエリア内の履歴ビークル・サービス・データを取得することを含むことができ、履歴ビークル・サービス・データは、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金を含む。ブロック４０２は、領域を複数のゾーン(例えば、繰り返しゾーン)に離散化することと、期間を複数の時間セグメントに離散化することとを含み得る。ブロック４０３は、ゾーンおよび時間セグメントに従って履歴ビークル・サービス・データを集約することを含むことができる。ブロック４０４は、集約された履歴ビークル・サービス・データ(例えば、上述の式２)に基づいて、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、乗客探索ビークルに対する期待報酬を取得することを含むことができる。ブロック４０５は、乗客探索ビークルがゾーンＡからゾーンＡの各隣接ゾーンに移動する、予想される報酬に基づいて、乗客探索ビークルがゾーンＡから隣接ゾーンＢに移動する確率を取得することを含むことができる(例えば、上述の式1)。
いくつかの実施形態では、上述のように、ゾーンの各々は、六角形であり、各側の６つの隣接するゾーンに接続される。乗客探索ビークルが、ゾーンＡ(例えば、ゾーンｚｉ)からゾーンＡの各隣接ゾーンへの移動に関する予想される報酬(例えば、
)は、1つ以上の説明変数に基づいており、説明変数は、予測ピックアップ時間（例えば、
）、予想トリップ料金(例えば、
)、予想乗客待ち時間(例えば、
）、予想されるオーダ数(例えば、
)、または、期待される回答率(例えば、
)、または予想されるドライバの滞在時間(例えば、
)の少なくとも１つを含む。
いくつかの実施形態では、上記のように、説明変数は、１ステップ説明変数(例えば、
)、２ステップ説明変数（例えば、
）、および３ステップ説明変数（例えば、
）
を備える。１ステップ説明変数は、予想ピックアップ時間、予想トリップ料金、予想乗客待ち時間、予想オーダ数、予想回答率、およびゾーンＢ内の予想運転者の滞在時間のベクトルを含む。２ステップ説明変数は、予想ピックアップ時間、予想トリップ料金、予想乗客待ち時間、予想オーダ数、予想回答率、およびゾーンＢの隣接ゾーンであるゾーンＣにおける予想ドライバ滞在時間のベクトルを含む。３ステップ説明変数は、予想ピックアップ時間、予想トリップ料金、予想乗客待ち時間、予想オーダ数、予想回答率、およびゾーンＣの隣接ゾーンであるゾーンＤにおける予想運転者滞在時間のベクトルを含む。
したがって、ライドソーシング・プラットフォームにおけるドライバの乗客探索挙動は、開示されたモデルによって明確にモデル化することができ、既存の技術の欠点を克服する。乗客を拾うために通りを巡航するタクシードライバとは異なり、ライドソーシング・ドライバは、プラットフォームからの注文を受けて派遣される（dispatched）。しかしながら、プラットフォームは、ドライバに近くの領域の属性に関する情報を提供しない。このような場合、ライドソーシング・ドライバは、より高い不確実性に悩まされ、プラットフォームの派遣戦略を「推測」しなければならない。開示されたモデルは、これらのドライバの乗客探索行動を理解するための経路を提供し、説明変数への好みは、ドライバに最適なゾーン選択を行うように奨励するためのプラットフォーム/交通オペレータ設計戦略を助けることができる。
既存の技術における正方形のようなゾーンとは異なり、このモデルにおいて使用されるゾーンは、近傍の明確な定義を有する六角形格子であり得る。予想ピックアップ時間、予想トリップ料金、予想要求オーダ数、予想回答率、予想乗客待ち時間、および1つのゾーン内の予想ドライバ滞在時間を含む６つのカテゴリの説明変数を、ゾーンの選択モデルに、供給することができる。隣接ゾーンの例示変数についての回帰とは別に、ドライバが２および３ステップ以内に、到達する可能性のあるゾーンの説明変数の係数を推定することができる。
開示されたモデルは、輸送効率を改善するのに役立つデータ分析からの重要な情報を明らかにする。第１に、ドライバは、要求されたオーダの予想される数に対して最も強い好みを有し、フルタイムドライバは、パートタイムドライバよりも経験が豊富である。第２に、ドライバは、高いドライバ滞在時間を有するゾーンに移動する傾向がある。１つの考えられる理由は、いくつかのドライバが、高度に要求された隣接ゾーンに過度に反応し、これらのゾーンに流れ込むことである。その結果、これらのゾーンは、過度のドライバで満たされ、その後、ドライバは、より長い乗客探索時間を負うことになる。別の理由は、ドライバが、多数の長距離オーダを有する(ドライバにとってより魅力的な)鉄道駅及び空港のようなゾーンに待ち行列を作ることを好むことである。開示されたモデルによって可能にされたこれらの発見は、プラットフォーム/交通事業者にとって洞察力があり、これは、より多くの情報を共有することによって情報の非対称性を低減することができ、空きルート推奨および空き車派遣戦略のようなアプリケーションを設計することができる。
本明細書で説明する技法は、1つまたは複数の専用コンピューティングデバイスによって実装される。専用コンピューティングデバイスは、技法を実行するためにハードワイヤードであってもよく、または技法を実行するように永続的にプログラムされた1つまたは複数の特定用途向け集積回路（ＡＳＩＣ）またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの回路、またはデジタル電子デバイスを含んでもよく、あるいはファームウェア、メモリ、他のストレージ、またはそれらの組合せ内のプログラム命令に従って技法を実行するようにプログラムされた、１つまたは複数のハードウェアプロセッサを含んでもよい。そのような専用コンピューティングデバイスは、カスタムハードワイヤードロジック、ＡＳＩＣ、またはＦＰＧＡをカスタムプログラミングと組み合わせて、技法を達成することもできる。専用コンピューティング制御装置は、デスクトップコンピュータシステム、サーバコンピュータシステム、ポータブルコンピュータシステム、ハンドヘルド制御装置、ネットワーキング制御装置、または本技術を実装するためにハードワイヤードおよび/またはプログラムロジックを組み込む任意の他の制御装置または制御装置の組合せとすることができる。コンピューティング・デバイス（複数の場合もある）は、一般に、オペレーティングシステムソフトウェアによって制御され、調整される。従来のオペレーティングシステムは、実行のためのコンピュータ・プロセスを制御およびスケジュールし、メモリ管理を実行し、ファイルシステム、ネットワーキング、Ｉ／Ｏサービスを提供し、とりわけグラフィカルユーザインタフェース(「ＧＵＩ」)などのユーザ・インタフェース機能を提供する。
図５は、本明細書で説明する実施形態のいずれかを実施することができるコンピュータシステム５００を示すブロック図である。システム５００は、上述のシステム１０２に対応し得る。コンピュータシステム５００は、情報を通信するためのバス５０２または他の通信メカニズムと、情報を処理するためにバス５０２に結合された、1つまたは複数のハードウェアプロセッサ５０４とを含む。ハードウェアプロセッサ(複数の場合もある)５０４は、例えば、1つまたは複数の汎用マイクロプロセッサとすることができる。プロセッサ(複数複数の場合もある)５０４は、上述のプロセッサ１０４に対応し得る。
コンピュータシステム５００はまた、プロセッサ５０４によって実行される情報および命令を記憶するためにバス５０２に結合された、ランダムアクセスメモリ（ＲＡＭ）、キャッシュおよび/または他の動的記憶装置などのメインメモリ５０６を含む。メインメモリ５０６はまた、プロセッサ５０４によって実行されるべき命令の実行中に、一時変数または他の中間情報を記憶するために使用されてもよい。このような命令は、プロセッサ５０４にアクセス可能な記憶媒体に記憶されると、コンピュータシステム５００を、命令に指定された動作を実行するようにカスタマイズされた専用マシンにする。コンピュータシステム５００はさらに、バス５０２に結合され、プロセッサ５０４のための静的情報および命令を記憶するための読取り専用メモリ（ＲＯＭ）５０８または他の静的記憶装置を含む。磁気ディスク、光ディスク、またはＵＳＢサムドライブ(フラッシュドライブ)などの記憶装置５１０が提供され、情報および命令を記憶するためにバス５０２に結合される。メインメモリ５０６、ＲＯＭ５０８、および/または記憶５１０は、上述のメモリ１０６に対応し得る。
コンピュータシステム５００は、カスタマイズされたハードワイヤードロジック、1つまたは複数のＡＳＩＣまたはＦＰＧＡ、ファームウェア、および/またはプログラムロジックを使用して本明細書で説明する技法を実装することができ、これらは、コンピュータシステムと組み合わせて、コンピュータシステム５００を専用マシンにするか、またはコンピュータシステム５００をプログラムする。一実施形態によれば、本明細書の技法は、メインメモリ５０６に含まれる1つまたは複数の命令の1つまたは複数のシーケンスを実行するプロセッサ５０４に応答して、コンピュータシステム５００によって実行される。このような命令は、記憶装置５１０のような別の記憶媒体からメインメモリ５０６に読み込まれてもよい。メインメモリ５０６に含まれる命令のシーケンスの実行は、プロセッサ５０４に、本明細書で説明されるプロセスステップを実行させる。代替実施形態では、ソフトウェア命令の代わりに、またはソフトウェア命令と組み合わせて、ハードワイヤード回路を使用することができる。
メインメモリ５０６、ＲＯＭ５０８、および/または記憶装置５１０は、非一時的記憶媒体を含むことができる。本明細書で使用される用語「非一時的記録媒体」および同様の用語は、機械を特定の様式で動作させるデータおよび/または命令を記憶する任意の記録媒体を指す。そのような非一時的媒体は、不揮発性媒体および/または揮発性媒体を含むことができる。不揮発性媒体は、例えば、記憶装置５１０のような光または磁気ディスクを含む。揮発性媒体は、メインメモリ５０６のようなダイナミックメモリを含む。非一時的記録媒体の一般的な形態には、例えば、フロッピー(登録商標)ディスク、フレキシブルディスク、ハードディスク、ソリッドステートドライブ、磁気テープ、または任意の他の磁気データ記憶記録媒体、ＣＤ-ＲＯＭ、任意の他の光データ記憶記録媒体、穴のパターンを有する任意の物理記録媒体、ＲＡＭ、ＰＲＯＭ、およびＥＰＲＯＭ、フラッシュＥＰＲＯＭ、ＮＶＲＡＭ、任意の他のメモリチップまたはカートリッジ、ならびにそれらのネットワーク化されたバージョンが含まれる。
コンピュータシステム５００は、バス５０２に結合された通信インターフェース５１８も含む。通信インターフェース５１８は、1つまたは複数のローカルネットワークに接続された1つまたは複数のネットワークリンクに結合する双方向データ通信を提供する。例えば、通信インターフェース５１８は、対応するタイプの電話回線へのデータ通信接続を提供するために、統合サービスデジタルネットワーク(ＩＳＤＮ)カード、ケーブルモデム、衛星モデム、またはモデムであってもよい。別の例として、通信インターフェース５１８は、互換性のあるＬＡＮ(またはＷＡＮと通信するためのＷＡＮコンポーネント)へのデータ通信接続を提供するためのローカルエリアネットワーク(ＬＡＮ)カードであってもよい。また、無線リンクを実装することもできる。任意のそのような実装形態では、通信インターフェース５１８は、様々なタイプの情報を表すデジタルデータストリームを搬送する電気信号、電磁信号、または光信号を送受信する。
コンピュータシステム５００は、ネットワーク、ネットワークリンク、および通信インターフェース５１８を介して、メッセージを送信し、プログラム・コードを含むデータを受信することができる。インターネットの例では、サーバは、インターネット、ＩＳＰ、ローカルネットワーク、および通信インターフェース５１８を介して、アプリケーションプログラムの要求されたコードを送信することができる。受信されたコードは、受信されたときにプロセッサ５０４によって実行されてもよく、および/または後の実行のために記憶装置５１０または他の不揮発性記憶装置に記憶されてもよい。
前述のセクションで説明されたプロセス、方法、およびアルゴリズムのそれぞれは、コンピュータハードウェアを備える1つまたは複数のコンピュータシステムまたはコンピュータプロセッサによって実行されるコードモジュールで実施され、完全に、または部分的に、自動化され得る。プロセスおよびアルゴリズムは、アプリケーション固有の回路において、部分的に、または全体的に、実装され得る。
上述の様々な特徴およびプロセスは、互いに独立して使用されてもよく、または様々な方法で組み合わせられてもよい。全ての可能な組み合わせ、および部分的な組み合わせは、本開示の範囲内に入ることが意図される。さらに、いくつかの実装形態では、いくつかの方法またはプロセスブロックを省略することができる。本明細書で説明される方法およびプロセスはまた、任意の特定のシーケンスに限定されず、それに関連するブロックまたは状態は、適切な他のシーケンスで実行され得る。例えば、説明されたブロックまたは状態は、具体的に開示された順序以外の順序で実行されてもよく、または複数のブロックまたは状態は、単一のブロックまたは状態で組み合わされてもよい。例示的なブロックまたは状態は、シリアル、パラレル、または他の何らかの方法で実行され得る。ブロックまたは状態は、開示された例示的な実施形態に追加されてもよいし、開示された例示的な実施形態から削除されてもよい。本明細書で説明される例示的なシステムおよび構成要素は、説明されるものとは異なるように構成され得る。例えば、要素は、開示された例示的な実施形態と比較して、追加され、除去され、または再配置されてもよい。
この明細書を通じて、複数のケースにおいて、1つのインスタンスとして説明されるコンポーネント、オペレーション、または構造を実行することができる。1つまたは複数の方法の個々の動作は、別個の動作として図示され、説明されるが、個々の動作のうちの1つまたは複数は、同時に実行されてもよく、図示される順序で動作が実行されることを何も必要としない。例示的な構成において、別個の構成要素として提示される構造および機能は、組み合わされた構造または構成要素として実装され得る。同様に、単一の構成要素として提示される構造および機能は、別個の構成要素として実装され得る。これらおよび他の変形、修正、追加、および改善は、本明細書の主題の範囲内にある。
本主題の概要を、特定の例示的な実施形態を参照して説明したが、本開示の実施形態のより広い範囲から逸脱することなく、これらの実施形態に対して様々な修正および変更を行うことができる。主題のそのような実施形態は、本明細書では、単に便宜上、かつ、２つ以上が実際に開示されている場合、本出願の範囲を、任意の単一の開示、または概念に、自発的に限定することを意図することなく、「発明」という用語によって、個別にまたは集合的に言及され得る。詳細な説明を実施するための形態は、限定的な意味で解釈されるべきではなく、様々な実施形態の範囲は、添付の特許請求の範囲によってのみ、そのような特許請求の範囲が権利を有する均等物の全範囲と共に定義される。

Claims (20)

  1. 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための方法であって、ある期間、エリア内の履歴ビークルサービスデータを取得するステップと、
    エリアを複数のゾーンに離散化し、その期間を複数の時間セグメントに離散化するステップと、
    ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップと、
    集約された履歴ビークルサービスデータに基づいて、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための乗客探索ビークルに対する予想報酬を取得するステップと、
    ゾーンＡからゾーンＡの各隣接ゾーンに移動するための予想報酬に基づいて、ゾーンＡから隣接ゾーンＢに移動する乗客探索ビークルの確率を取得するステップと、
    を含む方法。
  2. 前記履歴ビークルサービスデータは、時間に関する、乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金を含む、請求項1に記載の方法。
  3. 前記ゾーンＡから前記ゾーンＡの各隣接ゾーンへ移動する、前記乗客探索ビークルに対する前記予想報酬は、1つ以上の説明変数に基づき、前記説明変数は、予想ピックアップ時間、予想トリップ料金、予想乗客待ち時間、予想オーダ数、予想回答率、または予想ドライバ滞在時間のうちの少なくとも1つを含む、請求項1に記載の方法。
  4. 前記説明変数は、１ステップの前記説明変数と、２ステップの前記説明変数と、３ステップの前記説明変数とを備え、
    前記１ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率、ゾーンＢにおける予想ドライバ滞在時間のベクトルを備え、
    前記２ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率、ゾーンＢの隣接ゾーンである、ゾーンＣにおける予想ドライバ待ち時間のベクトルを備え、
    前記３ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率、ゾーンＣの隣接ゾーンにおける予想ドライバ滞在時間のベクトルを備える、請求項３に記載の方法。
  5. 前記時間セグメントのうちの1つに対する、前記予想ピックアップ時間は、ゾーンＡにおいて乗客をピックアップするための乗客探索ビークルの履歴平均ピックアップ時間を含み、
    前記予想ピックアップ時間は、乗客のオーダを受け取る前記乗客探索ビークルと、前記乗客探索ビークルによってピックアップされる前記乗客との間の時間差であり、
    前記乗客の注文は、前記時間セグメント内に受け取られた、請求項３に記載の方法。
  6. 前記時間セグメントのうちの1つの予想トリップ料金は、前記時間セグメント内のゾーンＡにおいて受信された乗客オーダの履歴平均トリップ料金を含む、請求項３に記載の方法。
  7. 前記時間セグメントのうちの1つに対する予想乗客待機時間は、ゾーンＡに発注され、前記時間セグメント内に受信された乗客オーダに対する履歴平均待機時間を含み、前記予想乗客待機時間は、乗客オーダが発注されたことと、乗客がピックアップされたこととの間の時間差である、請求項３に記載の方法。
  8. 前記時間セグメントのうちの1つの予想されるオーダ数は、前記時間セグメント内のゾーンＡ内の乗客オーダの履歴平均数を含む、請求項３に記載の方法。
  9. 前記予想回答率は、前記時間セグメント内のゾーンＡ内の多数の要求された乗客オーダに対する多数の満足された乗客オーダを含む、請求項３に記載の方法。
  10. 前記予想ドライバ滞在時間は、前記時間セグメント内のゾーンＡに滞在する各乗客探索ビークルの履歴平均時間を含む、請求項３に記載の方法。
  11. 1つまたは複数のプロセッサによって実行されたときに、1つまたは複数のプロセッサに、乗客探索ライドソーシング・ビークル・ナビゲーションを決定するための方法を実行させる命令を記憶する非一時的コンピュータ可読記憶媒体であって、方法は、
    ある期間、あるエリア内の履歴ビークルサービスデータを取得するステップと、そのエリアを複数のゾーンに離散化し、その期間を複数の時間セグメントに離散化するステップと、
    ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップと、集約された履歴ビークルサービスデータに基づいて、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、乗客探索ビークルに対する予想報酬を取得するステップと、
    ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、乗客探索ビークルに対する予想報酬に基づいて、ゾーンＡから隣接ゾーンＢに移動する乗客探索ビークルの確率を取得するステップと、を含む、非一時的コンピュータ可読記憶媒体。
  12. 前記履歴ビークルサービスデータは、時間に関する乗客探索ビークルの履歴位置、時間に関する乗客オーダの履歴位置、およびピックアップ位置および時間に関する履歴トリップ料金を含む、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  13. 前記ゾーンＡから前記ゾーンＡの各隣接ゾーンへ移動する前記乗客探索ビークルに対する前記予想報酬は、1つ以上の説明変数に基づき、前記説明変数は、予想ピックアップ時間、予想トリップ料金、予想乗客待ち時間、予想オーダ数、予想回答率、または予想ドライバ待ち時間のうちの少なくとも1つを含む、請求項１１に記載の非一時的コンピュータ可読記憶媒体。
  14. 前記説明変数は、１ステップの前記説明変数、２ステップの前記説明変数、および３ステップの前記説明変数を含み、
    前記1ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率およびゾーンＢにおける前記予想ドライバ待ち時間のベクトルを備え、
    前記２ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率、およびゾ−ンＢの隣接ゾーンであるゾーンＣにおける予想ドライバ待ち時間のべトルを備え、
    前記３ステップの前記説明変数は、前記予想ピックアップ時間、前記予想トリップ料金、前記予想乗客待ち時間、前記予想オーダ数、前記予想回答率、およびゾーンＣの隣接ゾーンであるゾーンＤにおける予想ドライバ滞在時間のベクトルを含む、請求項１３に記載の非一時的コンピュータ可読記憶媒体。
  15. 前記時間セグメントのうちの1つに対する予想されるピックアップ時間は、ゾーンＡにおいて乗客をピックアップするための乗客探索ビークルの履歴平均ピックアップ時間を含み、前記ピックアップ時間は、乗客のオーダを受信する前記乗客探索ビークルと、前記乗客探索ビークルによってピックアップされる前記乗客との間の時間差であり、前記乗客のオーダは、前記時間セグメント内に受信されたことを特徴とする請求項１３に記載の非一時的コンピュータ可読記憶媒体。
  16. 前記時間セグメントのうちの1つの予想トリップ料金は、前記時間セグメント内のゾーンＡにおいて受信された乗客オーダの履歴平均トリップ料金を含む、請求項１３に記載の非一時的コンピュータ可読記憶媒体。
  17. 前記時間セグメントのうちの1つに対する予想乗客待ち時間は、ゾーンＡに発注され、前記時間セグメント内に受信された乗客オーダに対する履歴平均待ち時間を含み、前記待ち時間は、乗客オーダが発注され、前記乗客がピックアップされた間の時間差である、請求項１３に記載の非一時的コンピュータ可読記憶媒体。
  18. 前記時間セグメントのうちの1つの予想オーダ注文数は、前記時間セグメント内のゾーンＡ内の乗客オーダの履歴平均数を含む、請求項１３に記載の非一時的コンピュータ可読記憶媒体。
  19. 請求項１３に記載の非一時的コンピュータ可読記憶媒体であって、前記予想回答率は、前記時間セグメント内のゾーンＡ内の多数の要求された乗客オーダに対する、多数の満足された乗客オーダを含み、前記予想ドライバ待ち時間は、前記時間セグメント内のゾーンＡ内に滞在する各乗客探索ビークルについての履歴平均時間を含む、非一時的コンピュータ可読記憶媒体。
  20. 乗客探索乗物ナビゲーションを決定するためのシステムであって、1つ以上のプロセッサと、1つ以上のプロセッサによって実行されたときに、1つ以上のプロセッサに方法を実行させる命令を記憶する非一時的なコンピュータ可読記憶媒体とを備え、方法は、
    ある期間、エリア内の履歴ビークルサービスデータを取得するステップと、
    エリアを複数のゾーンに離散化し、期間を複数の時間セグメントに離散化するステップと、
    ゾーンおよび時間セグメントに従って履歴ビークルサービスデータを集約するステップと、
    集約された履歴ビークルサービスデータに基づいて、ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、乗客探索ビークルに対する期待報酬を取得するステップと、
    ゾーンＡからゾーンＡの各隣接ゾーンに移動するための、乗客探索ビークルに対する期待報酬に基づいて、ゾーンＡから隣接ゾーンＢに移動する乗客探索ビークルの確率を取得するステップと、を含む、システム。

JP2019572061A 2018-03-28 2018-03-28 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法 Pending JP2020531939A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/080927 WO2019183844A1 (en) 2018-03-28 2018-03-28 System and method for determining passenger-seeking ride-sourcing vehicle navigation

Publications (1)

Publication Number Publication Date
JP2020531939A true JP2020531939A (ja) 2020-11-05

Family

ID=68059126

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019572061A Pending JP2020531939A (ja) 2018-03-28 2018-03-28 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法

Country Status (6)

Country Link
US (1) US11094028B2 (ja)
EP (1) EP3628084A4 (ja)
JP (1) JP2020531939A (ja)
CN (1) CN110998568B (ja)
AU (1) AU2018415763A1 (ja)
WO (1) WO2019183844A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11094197B2 (en) * 2019-02-26 2021-08-17 Toyota Research Institute, Inc. System and method for switching from a curbside lane to a lane-of-interest
SG11202108164VA (en) * 2019-05-16 2021-08-30 Grabtaxi Holdings Pte Ltd Communications server apparatus and method for deriving a quantum modifier for a transport-related service
US11568342B1 (en) * 2019-08-16 2023-01-31 Lyft, Inc. Generating and communicating device balance graphical representations for a dynamic transportation system
JP7287244B2 (ja) * 2019-11-08 2023-06-06 トヨタ自動車株式会社 情報処理装置、プログラム、及び、情報処理方法
US20210295224A1 (en) * 2020-03-23 2021-09-23 Lyft, Inc. Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
CN111881226A (zh) * 2020-05-21 2020-11-03 北京嘀嘀无限科技发展有限公司 一种判断面状区域通行属性的方法和系统
CN111882312B (zh) * 2020-07-27 2022-07-12 北京嘀嘀无限科技发展有限公司 管理车辆服务行程的方法、装置、电子设备和存储介质
CN112561330A (zh) * 2020-12-16 2021-03-26 北京嘀嘀无限科技发展有限公司 一种调度指令的生成方法、装置、电子设备及介质
CN112581060A (zh) * 2020-12-22 2021-03-30 北京优挂信息科技有限公司 基于车辆装卸点的配货需求度检测方法、装置及设备
CN112633940A (zh) * 2020-12-30 2021-04-09 北京交通大学 一种需求响应型城市轨道交通分时票价制定方法
CN112784000B (zh) * 2021-01-27 2022-05-20 长沙理工大学 基于出租车轨迹数据的寻客方法
CN112927393B (zh) * 2021-02-08 2022-09-16 上海钧正网络科技有限公司 骑行数据处理方法、服务器、用户设备及可读存储介质
CN113487295B (zh) * 2021-07-26 2024-01-19 杭州弧途科技有限公司 一种兼职岗位推荐系统的线下岗位召回方法
US20230342874A1 (en) * 2022-04-25 2023-10-26 Toyota Motor North America, Inc. Prioritizing access to shared vehicles based on need
CN117610694B (zh) * 2024-01-23 2024-04-09 北京白龙马云行科技有限公司 多租户的订单分配的方法、装置、设备及存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8595079B1 (en) * 2003-11-26 2013-11-26 Carfax, Inc. System and method for determining vehicle price values
IL193440A (en) * 2008-08-13 2015-01-29 Verint Systems Ltd Systems and method for securing boarding area
US8180651B2 (en) * 2009-11-24 2012-05-15 General Electric Company System and method of patient destination prediction
US8498953B2 (en) * 2010-03-30 2013-07-30 Sap Ag Method for allocating trip sharing
DE102012201472A1 (de) * 2012-02-01 2013-08-01 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen
US9258629B2 (en) * 2012-12-11 2016-02-09 Huawei Technologies Co., Ltd. System and method for an agile cloud radio access network
US9530314B2 (en) * 2013-08-08 2016-12-27 Accenture Global Services Limited Dynamic ETA and STA transportation system
CN104537831B (zh) * 2015-01-23 2018-12-11 北京嘀嘀无限科技发展有限公司 车辆调度的方法及设备
EP3134887A4 (en) * 2014-04-24 2017-08-30 Beijing Didi Infinity Science and Technology Limited System and method for managing supply of service
CN103996290B (zh) * 2014-06-09 2016-08-24 北京东方车云信息技术有限公司 一种提供叫车服务的方法、服务器及系统
US10083448B2 (en) * 2014-12-19 2018-09-25 Sap Se System and method for intermediary agency to find better service providers
GB2550523A (en) * 2015-02-02 2017-11-22 Beijing Didi Infinity Tech And Dev Co Ltd Methods and systems for order processing
CN111832938A (zh) * 2015-03-02 2020-10-27 北京嘀嘀无限科技发展有限公司 基于订单的配对方法和配对设备
US20160335576A1 (en) * 2015-05-12 2016-11-17 Uber Technologies, Inc. Location-based prediction of transport services
CN105117790A (zh) 2015-07-29 2015-12-02 北京嘀嘀无限科技发展有限公司 车费预估方法及装置
CN107402931A (zh) * 2016-05-19 2017-11-28 滴滴（中国）科技有限公司 一种出行目的地推荐方法和装置
US20170083831A1 (en) * 2015-09-23 2017-03-23 International Business Machines Corporation Real-time wait estimation and prediction via dynamic individual and group service experience analysis
US10347134B2 (en) * 2015-12-31 2019-07-09 Gt Gettaxi Limited System for navigating drivers to selected locations to reduce passenger wait time
US20170227370A1 (en) * 2016-02-08 2017-08-10 Uber Technologies, Inc. Reducing wait time of providers of ride services using zone scoring
CN107545319A (zh) * 2016-06-28 2018-01-05 滴滴（中国）科技有限公司 一种运力调配方法及装置
CN106530188B (zh) * 2016-09-30 2021-06-11 百度在线网络技术（北京）有限公司 在线叫车服务平台中司机的接单概率评价方法和装置
CN106373387A (zh) * 2016-10-25 2017-02-01 先锋智道（北京）科技有限公司 一种车辆调度方法、装置及系统
US20180260778A1 (en) * 2017-03-08 2018-09-13 Wheely's Café International AB Self driving automated vending vehicle
US9769616B1 (en) * 2017-04-04 2017-09-19 Lyft, Inc. Geohash-related location predictions
CN106971279A (zh) * 2017-05-03 2017-07-21 百度在线网络技术（北京）有限公司 预估司机接单行为的方法、装置、设备及存储介质
US10628903B2 (en) * 2017-05-22 2020-04-21 Uber Technologies, Inc. Network computer system to implement counter values for arranging services
US20190120640A1 (en) * 2017-10-19 2019-04-25 rideOS Autonomous vehicle routing

Also Published As

Publication number Publication date
WO2019183844A1 (en) 2019-10-03
US20200175635A1 (en) 2020-06-04
EP3628084A1 (en) 2020-04-01
CN110998568A (zh) 2020-04-10
CN110998568B (zh) 2023-03-28
EP3628084A4 (en) 2020-04-08
AU2018415763A1 (en) 2020-01-30
US11094028B2 (en) 2021-08-17

Similar Documents

Publication Publication Date Title
JP2020531939A (ja) 乗客探索ライドソーシング・ビークル・ナビゲーションを決定するためのシステムおよび方法
EP3706053A1 (en) Cognitive system
JP6821447B2 (ja) 公共交通機関システムにおけるユーザ旅行嗜好の平滑化動的モデリング
CN111033535B (zh) 用于乘车订单调度的系统和方法
US10019671B2 (en) Learning mobility user choice and demand models from public transport fare collection data
US10558936B2 (en) Systems and methods for dynamically generating patrol schedules based on historic demand data
US11537954B2 (en) System and method for ride order dispatching and vehicle repositioning
US8498953B2 (en) Method for allocating trip sharing
CN112074845A (zh) 用于优化拼车策略的深度强化学习
Nourinejad et al. A dynamic carsharing decision support system
JP6723721B2 (ja) 旅行プランナーのための旅行再ランキング
CN111066048B (zh) 用于乘车订单分派的系统和方法
JP2022043204A (ja) 運賃利用可能性、たとえば航空運賃利用可能性を提供するための方法及びサーバ
TWI564834B (zh) 電力需求預測裝置，電力供給系統，電力需求預測方法及程式
CN113287124A (zh) 用于搭乘订单派遣的系统和方法
JP6850310B2 (ja) 見積もり価格、たとえば航空運賃価格見積もりの組を提供するための方法及びサーバ
Xie et al. Two-sided deep reinforcement learning for dynamic mobility-on-demand management with mixed autonomy
Danassis et al. Putting ridesharing to the test: Efficient and scalable solutions and the power of dynamic vehicle relocation
WO2022006873A1 (en) Vehicle repositioning on mobility-on-demand platforms
CN112088106B (zh) 提供车辆导航模拟环境的方法和装置
Rahaman Context-aware mobility analytics and trip planning
Chen et al. An Intelligent Framework to Maximize Individual Taxi Driver Income
US20220237639A1 (en) System and method for data prediction using heat maps
Bian Essays on Empirical Industrial Organization
Azari et al. Revealing Activity-Commuting Patterns Under the Influence of Multiple Actors: An Integrated Geospatial Agent-Based Approach

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200225

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200225

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210323

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210326

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20211019