Short-term forecasting of passenger demand under on-demand ride services: A spatio-temporal deep learning approach
Ke Jintao et al. — 2017
Résumé (FR)
Cet article propose une approche d’apprentissage profond pour prévoir à court terme la demande de passagers dans les services de covoiturage à la demande. Le modèle FCL-Net (Fusion Convolutional Long Short-Term Memory Network) capture les dépendances spatio-temporelles entre zones géographiques. C’est l’une des premières études d’apprentissage profond appliquées à la prévision de demande pour des plateformes de covoiturage. Les expériences menées sur des données réelles de DiDi Chuxing en Chine démontrent la supériorité de l’approche par rapport aux méthodes classiques. Le modèle intègre des variables explicatives liées à la météo, aux événements spéciaux et aux caractéristiques temporelles. Ces résultats ouvrent la voie à une gestion plus efficace des flottes de véhicules partagés.
Summary (EN)
This paper proposes a deep learning approach to short-term passenger demand forecasting for on-demand ride services. The FCL-Net (Fusion Convolutional Long Short-Term Memory Network) model captures spatio-temporal dependencies across geographic zones. It is one of the first deep learning studies applied to demand forecasting for ride-hailing platforms. Experiments on real DiDi Chuxing data from China demonstrate the superiority of the approach over classical methods. The model incorporates explanatory variables related to weather, special events, and temporal characteristics. These results pave the way for more efficient management of shared vehicle fleets.
Points clés
| Aspect | Détail |
|---|---|
| Modèle proposé | FCL-Net : combinaison de réseaux convolutionnels (CNN) et de mémoire à long terme (LSTM) pour capturer les dépendances spatio-temporelles |
| Données utilisées | Données réelles de DiDi Chuxing (Chine), découpées en zones géographiques avec agrégation temporelle fine |
| Variables explicatives | Météo, événements spéciaux, caractéristiques temporelles (heure, jour de la semaine, etc.) |
| Résultats | Supériorité démontrée par rapport aux méthodes classiques (ARIMA, réseaux de neurones simples, etc.) sur plusieurs métriques d’erreur |
| Application opérationnelle | Optimisation du dispatching et de la gestion de flotte en anticipant les pics et creux de demande |
Lien avec mes recherches
Ce travail est directement pertinent pour la modélisation de la demande dans les systèmes de mobilité partagée multi-agents : la capacité à prévoir spatialement et temporellement la demande constitue une entrée clé pour simuler l’émergence de comportements collectifs dans une flotte. La structure spatio-temporelle du modèle FCL-Net illustre comment des dépendances locales entre zones peuvent générer des patterns globaux non triviaux, ce qui rejoint la question de l’émergence dans les systèmes multi-agents. Enfin, l’intégration de variables contextuelles (météo, événements) ouvre des pistes pour modéliser l’hétérogénéité des agents-passagers dans un cadre de simulation.