对网约车安全隐患的解决措施的研究外文翻译资料

对网约车安全隐患的解决措施的研究

原文作者： Xiqun (Michael) Chen uArr;, Majid Zahiri, Shuaichao Zhang

单位：College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

摘要：摘要（#br）在本文中，我们提出了一种集合学习方法，以更好地理解提供预先安排和按需运输服务的外包公司乘客的乘风行为。集合学习模型是多个分类模型或周分类器的加权组合，以形成强分类模型。集成学习的目标是组合几个基本分类器的决策或预测，以改善单个分类器的预测，普遍性和稳健性。本文采用Boosting集合，依次生成单个决策树，然后组装这些树以产生强大的分类模型。为了提高骑行选择的预测准确性，我们探索了从中国杭州的DiDi按需乘坐服务平台提取的真实世界个人水平数据。使用描述性统计数据探索四种服务类型的超过一百万次旅行，即出租车海运服务，快递，私家车服务和搭便车。通过使用ReliefF算法对可能影响乘坐行为的各种特征进行排序和选择，例如行程旅行时间，行程成本，行程长度，等待时间费用，起点/目的地的行程时间可靠性等。具有全部特征和所选特征的Boosting集合树使用两个独立的数据集进行训练和验证。本文还验证了集合学习在骑分裂分析中特别有用和强大，并且优于其他三个广泛使用的分类器。本文是首批通过探索按需乘坐服务平台的全市数据，实证揭示现实世界需求和供给模式的定量研究之一

关键词：按需乘车服务 集合学习 决策树 Boosting算法 骑行分裂


1.简介

需求建模者和运输从业者所需的最重要信息之一是找出乘客的城市出行行为。事实上，在一个地区实现旅行的起源和目的地，旅行时间，旅行货币成本和其他个人旅行信息可以更好地了解旅行行为和需求模式。这个问题对政策制定者来说具有重要意义，可以改善综合交通规划，制定城市交通拥堵缓解策略。

最近，Shaheen等人。 （2016）全面报告了各种共享移动模式，使用户能够根据需要获得短期交通，而不是要求所有权，如汽车共享，个人车辆共享（即P2P车辆共享和部分所有权），自行车共享，滑板车共享，乘坐共享和按需乘车服务。外包或运输网络公司（TNC）是指新兴的城市交通服务，私人车主驾驶自己的车辆提供租车服务。扎等人。 （2016）使用总体模型分析了整个外包市场，并得出结论认为，在没有任何监管干预的情况下，垄断租赁平台将最大限度地提高联合利润与其驱动因素。最新技术通过智能手机应用程序实现按需服务，其中一些服务使乘客可以选择在乘坐车辆中分割车费和票价，称为ridesplitting（例如，UberPOOL，Lyft Line和DiDi Hitch）。 Shaheen等。 （2016）将ridesplitting定义为“一种形式的游乐设施，其中具有相似起源和目的地的乘客实时匹配相同的外包驾驶员和车辆，并且乘坐和成本在用户之间分配”。

本研究利用DiDi在中国杭州提供的真实数据，分析了按需乘坐服务平台的乘客乘坐行为和旅行模式。特别是，了解新兴的ridesplitting行为需要一个高质量和获取性的数据集。通常，传统的手工获取知识和解决问题的方法在现实世界网络中存在复杂的工程问题时是困难和不可靠的，因此，当有丰富的数据时，先进的模型和方法是迫切需要的。如今，在探索道路摄像机，GPS，智能手机，交通传感器等巨大的交通数据的基础上，交通工程师可以预测城市中有价值的交通行为和旅行模式，或通过创新技术解决问题，例如机器学习算法。

在本文中，我们提出了一种集成学习方法，以更好地理解骑行分裂行为并提高骑行选择的预测准确性。假设没有一个单独的模型是完美的。因此，关键思想是将弱分类器集合起来以形成强分类器，从而可以进行更准确的估计和预测。为了提高骑行选择的分类准确性，我们开发了集合学习框架，该框架汇集了从每个单独模型中获得的信息，以提高骑行预测的准确性。对于作者的最佳知识，本文是首次尝试将集成学习应用于基于真实世界城市按需外包数据的骑行分析分析之一。

2.文献综述

共享移动性，车辆，自行车或其他模式的共享使用是一种创新的交通策略，使用户能够根据需要短期获得交通方式（Shaheen等，2016）。共享动员一词包括各种形式的汽车共享，自行车共享，共乘（拼车和拼车）以及按需乘车服务。 Ridesharing是一个术语，用于描述通过汽车或货车将旅行者分组为共同起源和/或目的地，并且已成为减少拥堵的有力策略。 Chan和Shaheen（2012）将北美的搭车分为五个关键阶段，即第二次世界大战汽车共享俱乐部（1942-1945），对能源危机的主要应对（20世纪60年代末至1980年），早期组织的共乘计划（1980-1997） ），可靠的共乘系统（1999-2004），以及技术支持的搭乘（2004年至今）。

在最近几年，移动互联网，智能手机和云计算的广泛应用刺激了在线点播乘坐软件平台。在发布智能手机后向人们介绍的外包是一种高效的运输服务类型。有一些有用的智能手机应用程序可以让人们更好地管理他们的个人汽车使用，例如司机分享实时交通信息（Waze Mobile，2014）。新一代的搭乘平台已经使乘坐车手和乘客大幅增加。这是一种基于动态平台的新型点对点交通网络服务，驾驶员可以在其中为匹配的乘客提供自己的汽车，这些乘客正在寻找类似的目的地。他和沉（2015）提出了一个空间均衡模型，该模型通过基于智能手机的电子应用程序平衡受监管的出租车市场中的出租车服务的供需。

为了更好地理解大数据时代的骑行行为，本文旨在采用先进的机器学习模型来分析按需乘坐服务平台提供的数据。在文献中，诸如基于树的集合方法的机器学习算法在分类和预测的问题中是强大的。在基于智能手机的移动感应出现之后，实时获取大尺寸的大数据变得更加容易。已经应用先进的机器学习方法来解决不同的运输问题。例如，Zhang和Haghani（2015）采用梯度增强回归树来分析和模拟高速公路的旅行时间，以提高预测准确性和模型可解释性费等人。（2011）提出了一个基于贝叶斯推理的动态线性模型来预测高速公路延伸的在线短期旅行时间。 Min和Wynter（2011）在细粒度和多个时间段内开发了一种高度准确且可扩展的流量预测方法。 Shi和Abdel-Aty，2015使用微波传感器实现了一个主动的实时交通监控策略，以同时评估运行和安全性。李等人。 （2015）基于城市中不同传感器收集的海量数据建立了交通流量预测模型。

3.按需乘坐服务平台数据

滴滴成立于2012年，是一家出租车应用程序，后来开发了私人汽车应用业务。目前，滴滴是世界上最大的按需乘坐服务平台之一（Shih，2015）。在中国，它在380个城市提供出租车服务，为160多万登记的出租车司机，400多个城市的点对点私家车服务，以及中国300多个城市的搭便车服务（DiDi，2016）。 2015年完成的游乐设施达到14.3亿，或每天完成超过1,100万次游乐设施。截至2016年4月，按需乘车服务平台的登记旅客超过3亿，驾驶员超过1400万。目前，DiDi平台上有四种服务类型，即Taxi Hailing Service，Express，Private Car Service和Hitch。 DiDi的出租车平台每天有300万次乘坐，在中国拥有99％的移动市场份额（易观国际，2016）。 DiDi Express提供经济型乘坐设施，通常比DiDi Taxi或传统的出租车服务更具成本效益。迪迪私家车服务提供更舒适，更优质的乘车服务，可分为DiDi Premium和DiDi ACE。 DiDi Premium提供舒适和专业的服务，而DiDi ACE是一种豪华和定制的服务，由司机和豪华车提供。根据易观国际（Analysys International，2016）的数据，点对点私人汽车服务每天也达到300万次，占市场份额的86％。 2015年6月最新推出的服务类型是DiDi Hitch，它与匹配类似路线的司机和乘客相匹配。

本文使用的数据集是在2015年9月7日至13日期间以及2015年11月1日至30日期间在中国杭州从DiDi的按需乘坐服务平台中提取的。两个时段的总成功订单或完成的行程分别为251344和1678289，这些订单是从DiDi的按需乘坐服务平台以20％的比率随机抽样的。个人旅行记录包括取件和下车地点和时间，订单ID，乘客ID，乘客订单时间，驾驶员响应时间，行程距离，服务类型，汽车水平，旅行费用和乘车费用（1是; 0不）。驾驶员和乘客的个人身份信息已被正确匿名，以避免任何隐私问题。通过将接收的GPS数据转换为平面坐标系来获得每个行程的经度和纬度位置的信息。

4.用于骑行分裂行为的集成学习模型

分类集合学习模型是多个分类模型或周分类器的加权组合。通常，集成学习模型可提高预测性能。决策树分类器具有许多优点，例如简单决策的层次结构，每个决策仅基于一个或多个特征，轻度计算负担，非参数且无先验要求。但是，本文将个体决策树视为弱分类器。为了克服面对单个决策树的不稳定，过度拟合，不准确的问题，本文提出了一种基准集成算法，用于提高决策树的准确性，即AdaBoost，它是最流行的Boosting算法之一。

通过将集合学习模型应用于具有与预测值进行比较的已知响应值的测试集来评估集合学习模型。在本文中，训练集和测试集都是使用来自相同历史数据集的数据构建的。具体而言，50％的记录被随机选择并用于训练集合学习模型，而剩余的记录用于测试模型。在将经过训练的集合树应用于独立测试集之前，使用5倍交叉验证来估计模型的准确性。它计算不同类型错误的总体频率。

5.总结

在本文中，我们提出了一种集合学习方法，以更好地了解提供预先安排和按需运输服务的外包公司乘客的乘风行为。为了提高骑行选择的预测准确性，我们探索了从中国杭州的DiDi按需乘坐服务平台提取的真实数据。基于对四种服务类型（即出租车海运服务，快递，私家车服务和搭便车）超过一百万次旅行的经验观察，将拆分行为建模为一般二进制分类问题，同时考虑到可能的各种功能。影响骑行，如订购时间，旅行长度，费用，天气，空气质量，旅行时间和出发地/目的地的可靠性等。使用ReliefF算法对重要功能进行排名和选择。通过适当地融合由多个较弱但有效的分类决策树获得的估计，提出了集合学习方法来训练完整（具有所有特征）和减少（仅具有重要特征）骑行分割模型。结果表明，具有全部特征的Boosting集合树在训练集上的返回分类误差为0.177，在测试集上分别为0.225。虽然具有所选特征的Boosting集合树返回可比较的结果而不会失去太多准确性。本文验证了集合在骑行行为分析中特别有用和强大，并且优于其他广泛使用的分类器，如逻辑回归，SVM和朴素贝叶斯分类。集合学习可能不会在交通领域得到广泛应用，但它似乎是一个干净的窗口，可以帮助我们更好地了解世界。案例研究表明，与其他方法相比，它可以更准确地预测骑行分裂行为。

此外，应该指出的是，集成学习是统计学和统计学习中广泛使用的工具。一方面，只讨论Boosting集成学习分类及其在装配周决策树中的应用，以讨论乘坐行为分析。它还可以用于组装其他非机器学习单独的骑行选择模型，例如离散选择模型。另一方面，可以将集合正则化结合到学习框架中，该学习框架是选择较少弱分类器但不降低预测性能的过程，例如套索正则化。本文阐述了探索各个层次的现实按需乘坐服务平台数据。在不久的将来，我们希望将这种集成学习技术扩展到基于租赁数据的其他一些应用，包括评估和预测出行需求（乘客）和供应（驾驶员）之间的差距，以及驾驶员的按需匹配和乘客。hellip;hellip;

外文文献出处：Transportation Research Part C

运输研究C部分

附外文文献原文

Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach q Xiqun (Michael) Chen uArr;, Majid Zahiri, Shuaichao Zhang College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

Abstract(#br)In this paper, we present an ensemble learning approach for better understanding ridesplitting behavior of passengers of ridesourcing companies who provide prearranged and on-demand transportation services. An ensemble learning model is a weighted combination of multiple classification models or week classifiers to form a strong classification model. The goal of ensemble learning is

剩余内容已隐藏，支付完成后下载完整资料

对网约车安全隐患的解决措施的研究

原文作者： Xiqun (Michael) Chen uArr;, Majid Zahiri, Shuaichao Zhang

单位：College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

专业： 电子商务 学生姓名：阿布力米提·吐尔逊

指导老师姓名：王澎

摘要：摘要（#br）在本文中，我们提出了一种集合学习方法，以更好地理解提供预先安排和按需运输服务的外包公司乘客的乘风行为。集合学习模型是多个分类模型或周分类器的加权组合，以形成强分类模型。集成学习的目标是组合几个基本分类器的决策或预测，以改善单个分类器的预测，普遍性和稳健性。本文采用Boosting集合，依次生成单个决策树，然后组装这些树以产生强大的分类模型。为了提高骑行选择的预测准确性，我们探索了从中国杭州的DiDi按需乘坐服务平台提取的真实世界个人水平数据。使用描述性统计数据探索四种服务类型的超过一百万次旅行，即出租车海运服务，快递，私家车服务和搭便车。通过使用ReliefF算法对可能影响乘坐行为的各种特征进行排序和选择，例如行程旅行时间，行程成本，行程长度，等待时间费用，起点/目的地的行程时间可靠性等。具有全部特征和所选特征的Boosting集合树使用两个独立的数据集进行训练和验证。本文还验证了集合学习在骑分裂分析中特别有用和强大，并且优于其他三个广泛使用的分类器。本文是首批通过探索按需乘坐服务平台的全市数据，实证揭示现实世界需求和供给模式的定量研究之一

关键词：按需乘车服务 集合学习 决策树 Boosting算法 骑行分裂


1.简介

需求建模者和运输从业者所需的最重要信息之一是找出乘客的城市出行行为。事实上，在一个地区实现旅行的起源和目的地，旅行时间，旅行货币成本和其他个人旅行信息可以更好地了解旅行行为和需求模式。这个问题对政策制定者来说具有重要意义，可以改善综合交通规划，制定城市交通拥堵缓解策略。

最近，Shaheen等人。 （2016）全面报告了各种共享移动模式，使用户能够根据需要获得短期交通，而不是要求所有权，如汽车共享，个人车辆共享（即P2P车辆共享和部分所有权），自行车共享，滑板车共享，乘坐共享和按需乘车服务。外包或运输网络公司（TNC）是指新兴的城市交通服务，私人车主驾驶自己的车辆提供租车服务。扎等人。 （2016）使用总体模型分析了整个外包市场，并得出结论认为，在没有任何监管干预的情况下，垄断租赁平台将最大限度地提高联合利润与其驱动因素。最新技术通过智能手机应用程序实现按需服务，其中一些服务使乘客可以选择在乘坐车辆中分割车费和票价，称为ridesplitting（例如，UberPOOL，Lyft Line和DiDi Hitch）。 Shaheen等。 （2016）将ridesplitting定义为“一种形式的游乐设施，其中具有相似起源和目的地的乘客实时匹配相同的外包驾驶员和车辆，并且乘坐和成本在用户之间分配”。

本研究利用DiDi在中国杭州提供的真实数据，分析了按需乘坐服务平台的乘客乘坐行为和旅行模式。特别是，了解新兴的ridesplitting行为需要一个高质量和获取性的数据集。通常，传统的手工获取知识和解决问题的方法在现实世界网络中存在复杂的工程问题时是困难和不可靠的，因此，当有丰富的数据时，先进的模型和方法是迫切需要的。如今，在探索道路摄像机，GPS，智能手机，交通传感器等巨大的交通数据的基础上，交通工程师可以预测城市中有价值的交通行为和旅行模式，或通过创新技术解决问题，例如机器学习算法。

在本文中，我们提出了一种集成学习方法，以更好地理解骑行分裂行为并提高骑行选择的预测准确性。假设没有一个单独的模型是完美的。因此，关键思想是将弱分类器集合起来以形成强分类器，从而可以进行更准确的估计和预测。为了提高骑行选择的分类准确性，我们开发了集合学习框架，该框架汇集了从每个单独模型中获得的信息，以提高骑行预测的准确性。对于作者的最佳知识，本文是首次尝试将集成学习应用于基于真实世界城市按需外包数据的骑行分析分析之一。

2.文献综述

共享移动性，车辆，自行车或其他模式的共享使用是一种创新的交通策略，使用户能够根据需要短期获得交通方式（Shaheen等，2016）。共享动员一词包括各种形式的汽车共享，自行车共享，共乘（拼车和拼车）以及按需乘车服务。 Ridesharing是一个术语，用于描述通过汽车或货车将旅行者分组为共同起源和/或目的地，并且已成为减少拥堵的有力策略。 Chan和Shaheen（2012）将北美的搭车分为五个关键阶段，即第二次世界大战汽车共享俱乐部（1942-1945），对能源危机的主要应对（20世纪60年代末至1980年），早期组织的共乘计划（1980-1997） ），可靠的共乘系统（1999-2004），以及技术支持的搭乘（2004年至今）。

在最近几年，移动互联网，智能手机和云计算的广泛应用刺激了在线点播乘坐软件平台。在发布智能手机后向人们介绍的外包是一种高效的运输服务类型。有一些有用的智能手机应用程序可以让人们更好地管理他们的个人汽车使用，例如司机分享实时交通信息（Waze Mobile，2014）。新一代的搭乘平台已经使乘坐车手和乘客大幅增加。这是一种基于动态平台的新型点对点交通网络服务，驾驶员可以在其中为匹配的乘客提供自己的汽车，这些乘客正在寻找类似的目的地。他和沉（2015）提出了一个空间均衡模型，该模型通过基于智能手机的电子应用程序平衡受监管的出租车市场中的出租车服务的供需。

为了更好地理解大数据时代的骑行行为，本文旨在采用先进的机器学习模型来分析按需乘坐服务平台提供的数据。在文献中，诸如基于树的集合方法的机器学习算法在分类和预测的问题中是强大的。在基于智能手机的移动感应出现之后，实时获取大尺寸的大数据变得更加容易。已经应用先进的机器学习方法来解决不同的运输问题。例如，Zhang和Haghani（2015）采用梯度增强回归树来分析和模拟高速公路的旅行时间，以提高预测准确性和模型可解释性费等人。（2011）提出了一个基于贝叶斯推理的动态线性模型来预测高速公路延伸的在线短期旅行时间。 Min和Wynter（2011）在细粒度和多个时间段内开发了一种高度准确且可扩展的流量预测方法。 Shi和Abdel-Aty，2015使用微波传感器实现了一个主动的实时交通监控策略，以同时评估运行和安全性。李等人。 （2015）基于城市中不同传感器收集的海量数据建立了交通流量预测模型。

3.按需乘坐服务平台数据

滴滴成立于2012年，是一家出租车应用程序，后来开发了私人汽车应用业务。目前，滴滴是世界上最大的按需乘坐服务平台之一（Shih，2015）。在中国，它在380个城市提供出租车服务，为160多万登记的出租车司机，400多个城市的点对点私家车服务，以及中国300多个城市的搭便车服务（DiDi，2016）。 2015年完成的游乐设施达到14.3亿，或每天完成超过1,100万次游乐设施。截至2016年4月，按需乘车服务平台的登记旅客超过3亿，驾驶员超过1400万。目前，DiDi平台上有四种服务类型，即Taxi Hailing Service，Express，Private Car Service和Hitch。 DiDi的出租车平台每天有300万次乘坐，在中国拥有99％的移动市场份额（易观国际，2016）。 DiDi Express提供经济型乘坐设施，通常比DiDi Taxi或传统的出租车服务更具成本效益。迪迪私家车服务提供更舒适，更优质的乘车服务，可分为DiDi Premium和DiDi ACE。 DiDi Premium提供舒适和专业的服务，而DiDi ACE是一种豪华和定制的服务，由司机和豪华车提供。根据易观国际（Analysys International，2016）的数据，点对点私人汽车服务每天也达到300万次，占市场份额的86％。 2015年6月最新推出的服务类型是DiDi Hitch，它与匹配类似路线的司机和乘客相匹配。

本文使用的数据集是在2015年9月7日至13日期间以及2015年11月1日至30日期间在中国杭州从DiDi的按需乘坐服务平台中提取的。两个时段的总成功订单或完成的行程分别为251344和1678289，这些订单是从DiDi的按需乘坐服务平台以20％的比率随机抽样的。个人旅行记录包括取件和下车地点和时间，订单ID，乘客ID，乘客订单时间，驾驶员响应时间，行程距离，服务类型，汽车水平，旅行费用和乘车费用（1是; 0不）。驾驶员和乘客的个人身份信息已被正确匿名，以避免任何隐私问题。通过将接收的GPS数据转换为平面坐标系来获得每个行程的经度和纬度位置的信息。

4.用于骑行分裂行为的集成学习模型

分类集合学习模型是多个分类模型或周分类器的加权组合。通常，集成学习模型可提高预测性能。决策树分类器具有许多优点，例如简单决策的层次结构，每个决策仅基于一个或多个特征，轻度计算负担，非参数且无先验要求。但是，本文将个体决策树视为弱分类器。为了克服面对单个决策树的不稳定，过度拟合，不准确的问题，本文提出了一种基准集成算法，用于提高决策树的准确性，即AdaBoost，它是最流行的Boosting算法之一。

通过将集合学习模型应用于具有与预测值进行比较的已知响应值的测试集来评估集合学习模型。在本文中，训练集和测试集都是使用来自相同历史数据集的数据构建的。具体而言，50％的记录被随机选择并用于训练集合学习模型，而剩余的记录用于测试模型。在将经过训练的集合树应用于独立测试集之前，使用5倍交叉验证来估计模型的准确性。它计算不同类型错误的总体频率。

5.总结

在本文中，我们提出了一种集合学习方法，以更好地了解提供预先安排和按需运输服务的外包公司乘客的乘风行为。为了提高骑行选择的预测准确性，我们探索了从中国杭州的DiDi按需乘坐服务平台提取的真实数据。基于对四种服务类型（即出租车海运服务，快递，私家车服务和搭便车）超过一百万次旅行的经验观察，将拆分行为建模为一般二进制分类问题，同时考虑到可能的各种功能。影响骑行，如订购时间，旅行长度，费用，天气，空气质量，旅行时间和出发地/目的地的可靠性等。使用ReliefF算法对重要功能进行排名和选择。通过适当地融合由多个较弱但有效的分类决策树获得的估计，提出了集合学习方法来训练完整（具有所有特征）和减少（仅具有重要特征）骑行分割模型。结果表明，具有全部特征的Boosting集合树在训练集上的返回分类误差为0.177，在测试集上分别为0.225。虽然具有所选特征的Boosting集合树返回可比较的结果而不会失去太多准确性。本文验证了集合在骑行行为分析中特别有用和强大，并且优于其他广泛使用的分类器，如逻辑回归，SVM和朴素贝叶斯分类。集合学习可能不会在交通领域得到广泛应用，但它似乎是一个干净的窗口，可以帮助我们更好地了解世界。案例研究表明，与其他方法相比，它可以更准确地预测骑行分裂行为。

此外，应该指出的是，集成学习是统计学和统计学习中广泛使用的工具。一方面，只讨论Boosting集成学习分类及其在装配周决策树中的应用，以讨论乘坐行为分析。它还可以用于组装其他非机器学习单独的骑行选择模型，例如离散选择模型。另一方面，可以将集合正则化结合到学习框架中，该学习框架是选择较少弱分类器但不降低预测性能的过程，例如套索正则化。本文阐述了探索各个层次的现实按需乘坐服务平台数据。在不久的将来，我们希望将这种集成学习技术扩展到基于租赁数据的其他一些应用，包括评估和预测出行需求（乘客）和供应（驾驶员）之间的差距，以及驾驶员的按需匹配和乘客。hellip;hellip;

外文文献出处：Transportation Research Part C

运输研究C部分

附外文文献原文

Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach q Xiqun (Michael) Chen uArr;, Majid Zahiri, Shuaichao Zhang College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

Abstract(#br)In this paper, we present an ensemble learning approach for better understanding ridesplitting behavior of passengers of ridesourcing companies who provide prearranged and on-demand transportation services. An ensemble learning model is a weighted combination of multiple classification models or week classifiers to form a strong classification model. The goal of ensemble learning is

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[277178]，资料为PDF文档或Word文档，PDF文档可免费转换为Word