配達とモビリティ / 配車
Uber：空港の待ち時間と運転者の収入の予測
- 企業
- Uber
- 国
- 米国
- 導入状況
- 運用中
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
空港はUberの移動事業で比重が大きい。世界のモビリティ総予約の15%が空港から出る。運転者は空港の先着順の待ち行列で、依頼を受けるまで長く待つことが多かった。待ち行列の先頭に立った運転者が依頼を断り続ける問題もあった。乗客の側では、配車待ちの画面を見る時間が長くなり、取り消しの比率が上がった。
使った技術とデータ
Uberは空港向けの予測モデルをいくつも作った。ETRは、先着順の待ち行列にいる運転者が依頼を受けるまでにかかる時間を、これから1時間の区間で予測する。EPHは空港の運行の時間あたりの収入の可能性を、都心の運行と比べてリアルタイムで知らせる。EPHには平均と分散を一緒に予測するDeep GMMを使う。入力は待ち行列のデータ、アプリの接続や過去の依頼といった需要のデータ、気温や降水といった天気のデータ、準リアルタイムの航空便の到着と出発の情報である。予測の値は運転者アプリの画面に空港ごとに表示する。空港へ行くかどうかは運転者が決める。
成果
Uberは、新しいETRモデルが短い待ち時間を当てる精度を絶対値で30%高めたと述べた。ここで短い待ち時間は、空港の待ち行列に入ってから0-15分を意味する。EPHモデルが予測した平均値は、空港ごとに運転者アプリに表示される。運転者は空港への移動を決める前に、待ち時間と収入の見通しを一緒に見られるようになった。
限界と残る課題
運転者の不足を予測して運転者を空港へ呼ぶ機能は、まだ開発と実験の段階である。Uberは完全な運用配布の前に追加の改善を計画していると述べた。
出典
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。