Sharing Behavior in Ride-hailing Trips: A Machine Learning Inference Approach
网约车行程的拼车行为：机器学习推断方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要分析乘客是否请求拼车这一离散行为选择，并使用行程特征预测该选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
网约车行程的拼车行为：机器学习推断方法
- 研究问题
- 乘客是否请求拼车、行程是否成功拼车，与价格、距离、时长及空间环境因素有何关系，年度拼车意愿如何变化？
- 方法与思路
- 作者使用芝加哥2019年全部网约车行程数据，结合年度趋势分析与集成机器学习模型，比较各类变量的预测贡献。
- 材料陈述的贡献
- 摘要称，拼车请求比例持续下降，费用、距离和时长贡献主要预测能力，并将偏好下降联系于单位里程费用与短途选择变化。
- 阅读关注点
- 应核对请求拼车和成功拼车的定义、预测贡献的计算及验证方式，并检查价格解释是否具备独立的因果识别设计。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未说明因果识别策略，预测重要性不能直接证明调价政策的因果效果。
原文摘要
Ride-hailing is rapidly changing urban and personal transportation. Ride sharing or pooling is important to mitigate negative externalities of ride-hailing such as increased congestion and environmental impacts. However, there lacks empirical evidence on what affect trip-level sharing behavior in ride-hailing. Using a novel dataset from all ride-hailing trips in Chicago in 2019, we show that the willingness of riders to request a shared ride has monotonically decreased from 27.0% to 12.8% throughout the year, while the trip volume and mileage have remained statistically unchanged. We find that the decline in sharing preference is due to an increased per-mile costs of shared trips and shifting shorter trips to solo. Using ensemble machine learning models, we find that the travel impedance variables (trip cost, distance, and duration) collectively contribute to 95% and 91% of the predictive power in determining whether a trip is requested to share and whether it is successfully shared, respectively. Spatial and temporal attributes, sociodemographic, built environment, and transit supply variables do not entail predictive power at the trip level in presence of these travel impedance variables. This implies that pricing signals are most effective to encourage riders to share their rides. Our findings shed light on sharing behavior in ride-hailing trips and can help devise strategies that increase shared ride-hailing, especially as the demand recovers from pandemic.