Analyses of the Imbalance of Urban Taxis’ High-Quality Customers Based on Didi Trajectory Data
Notice bibliographique
Résumé
The distribution of high-quality customers (hereafter HQC) for taxis (including ride-hailing cars) has a significant impact on drivers’ revenue and taxis’ operation efficiency. Based on the taxi global positioning system data, we construct an evaluation model of passengers to discuss the imbalance of consumption in taxi market. The profit margin for each taxi order is calculated, and then a grid-based method is used to distinguish the HQC and the regions with potential higher benefits. We analyze the HQC’s distribution of taxis (including ride-hailing cars) in different areas and in different time periods. We find that the HQC are distributed mainly on the periphery of the main urban area, which indicates that traffic condition is even worse in the urban center because of factors such as congestion. The HQC are more concentrated on workdays and more scattered on nonworkdays, which implies that the public have different travel habits and demands on workdays and nonworkdays. The proportion of HQC in each administrative district or functional zone is not always positively correlated to either the proportion of total orders or the total HQC. This indicates that the distribution of HQC in each administrative district or functional zone is imbalanced. The proportion of orders and that of HQC are roughly the same in the temporal dimension, being higher in the morning and evening rush hours. Compared with the distribution of the HQC of ride-hailing, that of taxis is more imbalanced in the temporal dimension. Relevant departments should further coordinate taxi pricing, strengthen market control, and promote sustainable development in the taxi and ride-hailing markets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».