Verwendung von maschinellem Lernen zum Erstellen eines Fahrakzeptanzmodells für Uber

Mit dem neuesten Update zeigt Uber den Fahrern jetzt die Reiseziele an, bevor sie sich entscheiden, eine Fahrt anzunehmen, damit sie fundierte Entscheidungen treffen können. Sie müssen wahrscheinlich keine Uber-Stornierungsgebühr zahlen, und der Fahrer wird die Fahrt wahrscheinlich auch nicht stornieren.

Die Sache ändert sich jetzt ab hier, es war immer schwer vorherzusagen, ob ein Fahrer eine Fahrt stornieren würde oder nicht, da das Gespräch zwischen Benutzer und Fahrer früher ein Telefonat war. Da der Fahrer nun besser über den Pick-and-Drop-Ort des Nutzers informiert ist und für die zurückgelegte Strecke separat Anreize erhält, um den Nutzer abzuholen, Der Fokus verlagert sich nun von der Stornierung auf die Annahme einer Fahrt durch den Fahrer.

Lassen Sie uns aus der Perspektive der Datenwissenschaft (maschinelles Lernen) verstehen, was hinter den Kulissen passiert, um Benutzeranfragen einem Fahrer zuzuordnen, dessen Wahrscheinlichkeit, die Fahrt anzunehmen, hoch ist, und Ihre Anfrage in der kürzestmöglichen Zeit erfüllt wird.

1653924176409.png
Matching-Algorithmus

Zusammenfassend, um die besten Taxifahrer für Sie zu finden – innerhalb weniger Sekunden; Diese Mitfahrdienste (Uber, Lyft, Ola, Rapido usw.) führen einen Abgleichsalgorithmus aus und prüfen auch die Wahrscheinlichkeit, dass ein Fahrer eine Fahrt akzeptiert, bevor sie eine Anfrage an sie senden.

In diesem Newsletter werden wir erörtern, wie wir ein Wahrscheinlichkeitsmodell für die Fahrakzeptanz des Fahrers aufbauen können.

Ziel: Vorhersagen, ob ein Fahrer eine Mitfahranfrage annehmen wird oder nicht, und die Annahmewahrscheinlichkeit finden?

Erforderliche Eigenschaften / Merkmale

Um herauszufinden, welche Funktionen zur Lösung dieses Problems in einem Fahrdienstunternehmen erforderlich sind, muss ein Datenwissenschaftler mit Domänenkenntnissen vertraut sein. Produktdenken ist für einen Data Scientist immer wichtig.

1650180249071.gif
Uber-Fahrt

1. Reise

  • Entfernung vom Fahrer zum Benutzer (Kunde) (Entfernung vom Fahrer zur Abholung)
  • Tageszeit (Morgens / Nachmittags / Abends / Late Night)
  • Fahrtdauer/Entfernung (Pick-up-to-Drop-Distanz)
  • Zahlungsmethode (einige Fahrer bevorzugen den Bargeldmodus gegenüber Online-Zahlungen)
  • Ziel des Kunden (Fahrer fahren nicht gerne an ein Ziel, an dem sie sich bemühen müssen, ihren nächsten Kunden zu bekommen)
  • Fahrttyp – Poolanfrage oder normale Anfrage

2. Fahrer

a) Unterwegs oder verfügbar

  • Ob der Fahrer verfügbar ist (keine Fahrten)
  • Wenn der Fahrer unterwegs ist, ist die Fahrt kurz vor dem Ende oder mittendrin

b) Historische Merkmale

  • In der letzten Woche/Monat durchschn. Anzahl der angenommenen Fahrten
  • Gesamtzahl der über den Tag zurückgelegten Fahrten – ob der Fahrer sein Incentive-Ziel des Tages erreicht hat oder nicht
  • Aktuelle Tage Akzeptanzrate (Akzeptanzrate = Anzahl der akzeptierten Anfragen / Gesamtzahl der eingegangenen Anfragen)

3. Fahrzeugtyp

  • Taxi / Auto-Rikscha / Fahrrad (je nach Fahrzeugtyp akzeptieren einige Fahrer keine Kundenabholungen in einsamen Gegenden – Sicherheitsbedenken)
  • Viele Fahrrad-/Auto-Rikscha-Fahrer bevorzugen keine Fahrtanfragen von > 10 km

1650180290572.gif
Autofahrt

4. Fahrer (Kunde)

  • Fahrerbewertung (Fahrer mag es nicht, mit Kunden unter 4 Bewertungen umzugehen)
  • Geschlecht des Fahrers (einige Fahrer akzeptieren keine Fahrtanfragen basierend auf der Anfragezeit und dem Geschlecht des Kunden)
  • Fahrerbild (interessantes Experiment, das jemand gemacht hat, indem er sein Bild durch ein Zombiebild ersetzt hat und weniger Fahrerakzeptanz erzielt hat; es ist auch wichtig, dem Fahrer das Bild des Kunden zu beweisen)

Interessantes gelesenes Profilbild ist auf beiden Seiten (Fahrer und Fahrer) wichtig 😂: „Zombie“-Fahrer betrügen Menschen mit schrecklichen Profilbildern um ihr Geld

5. Verkehr

  • Basierend auf der Anfragezeit – Fahrer akzeptieren manchmal keine Fahrten in stark befahrenen Zonen (die Dauer der Fahrt bis zum Abschluss oder bis zum Erreichen des Kunden – hängt vom Verkehr in der Region ab).

6. Sonderveranstaltungen (gelegentliche Änderung)

  • Wetter – Regnerischer Tag / Sonnig
  • Covid-Beschränkungen in diesem Gebiet (Quarantänezone)
  • Festtag je nach Region – Holi, Diwali, Weihnachten usw.

1650180318878.gif
Regnerischer Tag

Modellieren

Wir verfügen jetzt über einen umfangreichen Funktionsumfang, mit dessen Hilfe wir vorhersagen können, ob ein Fahrer die Fahrtanfrage eines Kunden annehmen wird oder nicht. Wir verwenden standardmäßige statistische maschinelle Lern-überwachte Klassifizierungsalgorithmen (mit Stichprobenprüfung):

  • Logistische Regression (lineares Modell)
  • Entscheidungsbaum (nichtlineares Modell)
  • Bagging Classifier – Random Forest Classifier (Ensemble-Modell)
  • Boosting-Klassifikator – LightGBM, XGBoost usw.

Modellmetriken : AUC-ROC, F-Beta-Score (Beta = 2; wenn Erinnerung doppelt so wichtig ist wie Präzision)

Fazit

Ich hoffe, Sie haben das Geschäftsproblem verstanden und können sich auf die Funktionen beziehen, die wir für die Modellierung der Muster ausgewählt haben. Obwohl es keine Patentlösung gibt und diese Probleme viel komplexer sind, war es unser Ziel, die Benutzererfahrung zu verbessern und die Benutzer-Treiber-Abgleichzeit zu minimieren, da selbst eine Millisekunde Änderung im Fahrer-Benutzer-Abgleichsalgorithmus dazu beitragen kann, Millionen von Dollar zu sparen .

Laut einem Artikel mit dem Titel The Cost of Latency in High-Frequency Trading kann ein Latenzvorteil von 1 Millisekunde mehr als 100 Millionen US-Dollar pro Jahr wert sein.

Ich hoffe, Sie haben aus diesem Beitrag etwas Neues gelernt. Wenn es dir gefallen hat, klicke auf 👏, abonniere meinen Newsletter und teile ihn mit anderen. Seien Sie gespannt auf den nächsten!

Verbinden, folgen oder unterstützen Sie mich auf LinkedIn wenn Sie diese Lektüre nützlich fanden.

Ich bin offen für Gigs oder Beratungen, Sie können mich auf LinkedIn erreichen:

Auch veröffentlicht hier.

Similar Posts

Leave a Reply

Your email address will not be published. Required fields are marked *