实时大规模动态拼车服务

 

项目简介:打车难是很多大城市都面临的一个问题。本项目通过出租车实时动态拼车的方案来解决这一难题。用户通过手机提交打车请求,表明上、下车地点、乘客人数和期望到达目的地间。后台系统实时维护着所有出租车的状态,在接收到一个用户请求后,搜索出满足新用户条件和车上已有乘客条件的最优的车。这里的最优是指出租车去接一个新的用户所增加的里程最小。该研究成果可以为城市节约大量的燃油、减少污染物排放量,大大提高整个出租车系统的运送能力,缩短乘客的等待时间,降低乘客的打车费用并提高司机的收入。项目难点在于如何能高效的索引并计算出最优的车辆和拼车线路。

 

 

论文:

[1] Shuo Ma, Yu Zheng, Ouri Wolfson. T-Share: A Large-Scale Dynamic Taxi Ridesharing Service. IEEE International Conference on Data Engineering (ICDE 2013) Best Paper Runner-up Award.

[2] Shuo Ma*, Yu Zheng, Ouri Wolfson. Real-Time City-Scale Taxi Ridesharing. IEEE Transactions on Knowledge and Data Engineering (TKDE), vol. 27, No. 7, July 2015. [Codes] [Data]

 

 

 

路线通行时间估计

 

项目简介: 根据一部分车的GPS轨迹数据,实时地估计全城任意路线的车辆通行时间。项目难点在于以下三点:1. 数据稀疏性。在过去的一段时间里,很多道路上并没有轨迹数据。2. 不同轨迹的组合问题。对于有数据的路段,有很多种子轨迹组合的方式来估计时间。寻找最优解很困难。3. 效率、准确性和可扩展性的权衡。城市范围很大,轨迹快速变化,子轨迹组合方式很多,但时间估计的实时性要求很强。

 

 

论文:

[1] Yilun Wang, Yu Zheng, Yexiang Xue. Travel Time Estimation of a Path using Sparse Trajectories. In Proceedings of the 20th SIGKDD conference on Knowledge Discovery and Data Mining (KDD 2014).

 

 

 

基于出租车GPS轨迹的最快行车路线设计

 

项目简介:装有GPS的出租车可以看作是移动传感器来帮助我们不断感知路面的交通流量,而且出租车司机是相对有经验的司机。所以,出租车的GPS轨迹既体现了交通流量的变化规律,也蕴含了人们选择道路的智能。本项目(T-Drive)利用北京3万多辆装有GPS传感器的出租车来感知交通流量,并为普通用户设计真正意义上的最快驾车线路。T-Drive的改进版进一步考虑了天气以及个人驾车习惯、技能和道路熟悉程度等因素,提出了个性化最快线路设计。这个系统不仅可以为每30分钟驾车路程节约5分钟时间,也可以通过让不同用户选择不同的道路来缓解可能出现的拥堵。

 

论文:

[1] Jing Yuan, Yu Zheng, et al. T-Drive: Driving Directions Based on Taxi Trajectories. In ACM SIGSPATIAL GIS 2010, The Best Paper Runner-Up Award.

[2] Jing Yuan, Yu Zheng, et al. Driving with Knowledge from the Physical World. 17th SIGKDD conference on Knowledge Discovery and Data Mining (KDD 2011).

[3] Jing Yuan, Yu Zheng, et al, T-Drive: Enhancing Driving Directions with Taxi Drivers’ Intelligence. Transactions on Knowledge and Data Engineering (TKDE).

 

 

 

自行车租借系统使用需求预测

 

项目简介:自行车租借和共享系统在很多城市都得到了普及。由于人们在各个站点对自行车的需求不一致,导致某些站点出现无车可借,而另一些站点可能会出现大量车被换回而无法接纳。因此,提前预测各个自行车租赁点人们对车的需求量(如在未来一个小时各个站点的借出和还回的自行车数量),将有助于提前调度不同租赁站点之间的自行车,做到供求平衡。由于人们对自行车的需求受到很多复杂因素的影响,如天气、事件和站点间的相互影响,预测单个站点自行车的借出和还回数量非常困难。文章[1]采用了聚类和层次化预测的方法来克服这些难点。

 

 

论文:

[1] Yexin Lee, Yu Zheng, Huichu Zhang, Lei Chen. Traffic Prediction in a Bike Sharing System, In Proceedings of the 23rd ACM International Conference on Advances in Geographical Information Systems (ACM SIGSPATIAL 2015) (Data)(Codes)