전체 글 (23) 썸네일형 리스트형 [논문 리뷰] Estimating Travel Time Based on Deep Neural Networks Uber 앱을 사용해보면 가고 싶은 목적지를 설정했을 때 예상도착시간 을 확인할 수 있습니다. 도착지까지 걸리는 시간을 앱을 통해서 보여주는 것은 모빌리티 서비스를 이용하는 소비자들에게 여러가지 좋은 경험을 제공할 수 있습니다. 공급자 입장에서도 여정 시간을 예측하는 것 (ETA: Estimating Travel Time) 은 매우 중요한데요. ETA 모델은 교통 상황 모니터링(traffic monitoring), 경로 설계(route planning), 배차(order dispatch) 등에 아주 중요하게 활용됩니다. 실제로 Uber 에서는 ETA 만을 전담하는 데이터 팀을 운영하고 있을 정도로 관련된 기술력을 매우 고도화하여 운영하고 있습니다. 오늘은 Deep Learning 을 활용해 ETA에서 높.. [논문 리뷰] Large-Scale Order Dispatch in On-demand Ride Hailing Platforms - A Learning and Planning Approach 중국판 우버이자 라이드 헤일링 서비스를 제공하는 온디멘드 플랫폼 디디추싱에 대해서 알고 계신가요? 이용해보신 분들은 아주 편리한 서비스 라는 것을 느끼셨을 겁니다. 디디추싱 플랫폼에서는 승객의 호출과 드라이버들을 매칭시켜주는 시스템이 필요합니다. 이와 같은 프로세스를 배차(Order Dispatch)라고 합니다. 고전적인 배차 로직은 주문을 보낸 승객과 가장 가까운 곳에 있는 차량의 드라이버를 매칭 시켜주는 방식입니다. 하지만 디디추싱에서는 특정 지역에서 운전자가 얻을 수 있는 기대이익을 최대화 할 수 있는 배차를 수행하고 있습니다. 단순히 가장 가까운 곳에 있는 승객이 보낸 요청을 드라이버의 스마트폰 상에 띄워주는 것이 아니라, 장기적으로 봤을 때 이윤을 극대화 시킬 수 있는 매칭을 해주는 방식입니다... 그랩이 피크타임의 수요를 분산시키기 위해 고객들의 이동 트렌드를 분석하고 앱 내의 위젯을 활용한 방법 아마 대부분의 사람들이 출근 시간에 택시를 부르면 차가 잘 잡히지 않는 경험을 많이 해보셨을 겁니다. 반면, 출근 시간이 지난 지난 오전 11시 쯔음에는 택시를 쉽게 잡을 수 있습니다. 대부분 모빌리티 서비스에서 고민하고 있는 가장 큰 문제 중 하나는 수요 공급의 균형을 유지하는 것 입니다. 출근 시간이나 퇴근 시간에는 공급에 비해 수요가 훨씬 많습니다. 반면 출근 시간이 지난 점심시간과 낮 시간에는 이동 수요가 비교적 적기 때문에 잉여 공급이 많이 발생합니다. 오늘 다뤄볼 주제는 다양한 IT 기술을 활용해 동남아시아의 모빌리티 서비스를 혁신 하고 있는 그랩(Grab)이 라이드 헤일링 서비스에서 수요 공급 불균형을 해소에 기여한 액션 아이템에 대해서 다뤄보려고 합니다. Grab tech blog에 있는 .. 이전 1 ··· 3 4 5 6 다음
