配送与出行 / 网约车
Uber：预测机场等待时间与司机收入
- 企业
- Uber
- 国家
- 美国
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
机场在Uber的出行业务中占比很大，全球出行总预订的15%来自机场。司机在机场的先到先得排队中，常常要等很久才接到订单。排在队首的司机不断拒单也是个问题。在乘客一侧，看着派单等待界面的时间变长，取消率随之上升。
使用的技术与数据
Uber为机场构建了多个预测模型。ETR以未来一小时为区间，预测排在先到先得队列中的司机要等多久才能接到订单。EPH实时给出机场订单相对市区订单的每小时收入潜力。EPH使用同时预测均值和方差的Deep GMM。输入包括排队数据、应用打开次数和历史叫车等需求数据、气温与降水等天气数据，以及准实时的航班到达和起飞信息。预测值按机场显示在司机端界面上。是否前往机场由司机自己决定。
成果
Uber表示，新的ETR模型把预测短等待时间的精确率在绝对值上提高了30%。这里的短等待指进入机场排队后的0-15分钟。EPH模型预测的均值会按机场显示在司机端应用中。司机在决定是否前往机场之前，可以同时看到等待时间和收入预期。
局限与待解问题
预测司机短缺并召唤司机前往机场的功能仍处于开发与实验阶段。Uber表示，在全面投入运行之前还计划做进一步改进。
来源
本案例根据公开资料整理，并非 ATF Works 客户的成果。