Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

26.06.2019 | Ausgabe 2/2020

Mobile Networks and Applications 2/2020

Fine-grained Dynamic Price Prediction in Ride-on-demand Services: Models and Evaluations

Zeitschrift:
Mobile Networks and Applications > Ausgabe 2/2020
Autoren:
Suiming Guo, Chao Chen, Jingyuan Wang, Yaxiao Liu, Ke Xu, Dah Ming Chiu
Wichtige Hinweise

Publisher’s Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Ride-on-demand (RoD) services use dynamic prices to balance the supply and demand to benefit both drivers and passengers, as an effort to improve service efficiency. However, dynamic prices also create concerns for passengers: the “unpredictable” prices sometimes prevent them from making quick decisions at ease. It is thus necessary to give passengers more information to tackle this concern, and predicting dynamic prices is a possible solution. We focus on fine-grained dynamic price prediction – predicting the price for every single passenger request. Price prediction helps passengers understand whether they could get a lower price in neighboring locations or within a short time, thus alleviating their concerns. The prediction is performed by learning the relationship between dynamic prices and features extracted from multi-source urban data. There are linear or non-linear models as candidates for learning, and using different models leads to varying implications on accuracy, interpretability, model training procedures, etc. We train one linear and one non-linear model as representatives, and evaluate their performance from different perspectives based on real service data. In addition, we interpret feature contribution, at different levels, based on both models and figure out what features or datasets contribute the most to dynamic prices. Finally, based on evaluation results, we provide discussions on model selection under different circumstances, and propose a way to combine the two models. Our hope is that the study not only serves as an accurate prediction for passengers, but also provides concrete guidance on how to choose between models to improve the prediction.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 2/2020

Mobile Networks and Applications 2/2020 Zur Ausgabe