T-Finder: A Recommender System for Finding Passengers and Vacant Taxis（阅读笔记）2020/3/25

写在前面

确定方向第一篇论文，记录写来，否则后面看的多的话，不记住不总结效果会特别差

1 摘要

做了什么：为出租车司机和乘客进行双向推荐
对于出租车司机：进行一个位置，以及到达这些位置的路线推荐
对于乘客：推荐一个位置（在可以到达的距离之内）
怎么做：从历史轨迹学习乘客的出行模式，司机的上下车行为。把这个用概率表示的知识输入模型进行推荐

简介

• 出租车轨迹能学习到两方面的知识，乘客的移动模式（何时何地乘客上下车），出租车的载客行为（去哪怎么找可以收益最大化且快速）
• 贡献

提出了一个停车点检测算法
出租车推荐考虑到了时变排队时长（time-varing quene length）时间，乘客推荐考虑到了等待时间
分成了工作日，休息日，以及天气情况

2 Overview

定义

road segment：带方向的有向边 r.dir 方向 r.s r.e起点终点 r.level 线路等级
route：一串连通的road segment，
R:r1->r2->…->rn,对于两个相邻的road segment，上一个终点是下一个的起点
State: 出租车状态 占用（occupied）巡航（cruising）停车(parked)
trajectory: 一系列的轨迹点p，每个点有p.t 时间 p.lat 经度 p.lon 纬度 p.r 轨迹点在那个路段上（经过地图匹配） p.s 上面提到的状态
trip：仅有一个状态的子轨迹

动机

• 出租车司机收入有高低
• 不同收入level的司机在每个时间段的占用率不一样
• 巡航时间和收入的相关系数并不高

框架

离线阶段 ：

• 停车点检车
• 将轨迹分割成trip
• IVMM 地图匹配到路网上
• 基于概率模型学习统计数据
• 解决数据稀疏问题，不对单个road segment做概率检查，用聚类

3 停车点检测

候选停车点

• 检查p1 dist(p1,p2)>极限值
• 检查p2 dist(p2,p3)<极限值 dist(p2,p4)<极限值 dist(p2,p5)>极限值 比较p2,p4之间的时间跨度，大于极限值 (p2,p3,p4)候选
• 检查p3 依次类推
• 最后得到候选停车点(p2,p3,p4,p5)

过滤

目的: 并不是所有的候选点都是停车点，也有可能是交通jam引起的，选特征，将由于寻客引起的停车行为，和其他特殊情况引起的停车行为分开
特征：

• 时空特征
  minimun bounding ratio
  
  如图所示，MBRr(由路段行为的bounding box)/MBRc(由轨迹点形成的bounding box)
  average distance
  候选点到路段的距离不一样

center distance
中心点到路段的距离

duration 在停留点的持续时间

lastspeed：脱离这个parking place的速度，如果是载客了起步会很快

• POI特征parking place周围的POI点，形成了一个POI向量
  
  vi表示属于i类的
  tf-idf 去检测
• 协同过滤特征
  历史的停留数据，协同过滤

parking place 聚类

大概意思可能是说 我们的抽样点是有限的，事实上你在这里检测到的停车点 和那里的 是属于一次的寻客产生的停车点，可以归为一类

4 模型描述

像摘要里面的说的，给定当前位置Lc和当前时间L0,出租车推荐一个parking place以及到停车点的路线，乘客推荐步行能到的路段。根据第六节的策略

4.1 taxi recommend

标准

1. [risk ] 采取动作之后的载客可能性
2. [cost 1] 采取了动作要等多久才能载客
3. [cost 2] 如果在路线上没载客到了停车点P，车的队列长度是多少
4. [benefit ] 成功载客下一个乘客的路线有多远

4.1.1 载客可能性

S表示成功载客 Si表示在第i个路段载客 Sn+1表示在停车点载客

t0表示但当前时间，ti表示出租车到路段i的时间
pi表示一个未载客的课在路段ri，时间T0+ti的时间载客的概率

p*表示出租车在T0+tn的时间到达停车点p等待（0，tmax]的时间载客的概率

如何计算Pj
事件Si发生的概率
事件S发生的概率
注意到某个路段的概率并不是一成不边的（2.am的概率和5.pm的概率会完全不一样),假设输入的事件为t，我们假设[t-▲t，t+▲t]的时间内某条路段载客概率不变
partition and group方法计算某条路段的载客概率
一天分为K个unit 每个unit的长度是 tao（打不出来）

统计每个 fai k （不会打）有多少俩出租车在这里载客

这就是你输入一个时间t，我用[t-▲t，t+▲t]去代替他的概率，在离线的时候已经把fai k算好了，你只需要计算k等于多少
上面是在这个路段r上状态从 巡航到占据（成功载客）的数量，下面是这个时间段所有在路段r寻客出租车的数量
用这个公式可以计算Pj

如何计算P*

也是一样的道理 可以计算P*
后面的时间，队列长度，下个距离就不一一介绍了太累了懒得写

4.2 乘客推荐

4.2.1 不想写了 …做ppt吧

5 路段聚类

由于前文中road segment的结果过稀疏，不利于统计学习，所以我们需要对road segment的结果进行聚类，将稀疏的数据聚类，这里作者所用的方法是Bisected clustering，其本质是多次的2-means clustering，我们将聚类后的结果road segment clustering 代替前面的road segment，用于统计学习，计算公式中相应的变量也随之替换

6 在线推荐

思路：

1、根据出租车当前的位置和时间，找到附附近可能的parking place（P）

2、对每个P计算成功概率，以及各种期望

3、对这些值进行综合排序

4、设定一些阈值，用于筛选最合适的P
cost or benifit fun:

Most profitable
Fastest
Highest probability
Shortest queue

2、passenger recommender：

cost or benifit fun:

Probability of finding a vacant taxi
Average waiting time