Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Bachelor's Thesis |
| Scope | Discipline-based scholarship |
| Title | Predicting Ride-Hailing Demand: A Potential Solution For Decreasing the Income Inequality of Drivers |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2022 |
| Abstract Text | Ride-hailing services such as Uber and Lyft have become globally pervasive in the last decade, revolutionizing the taxi sector for both customers and drivers. This business model breaks many barriers of entry for new drivers and makes commuting by taxi cheaper and more convenient for customers. Nevertheless, it is also affected by drastic income inequalities and weak job security. The goal of this thesis is to investigate whether we can reduce income inequalities by using ML-based demand prediction to strategically dispatch drivers. As such, I first develop a machine learning model to predict customer demand using a real-world ride-hailing dataset collected by the city of Chicago. Secondly, I integrate the real-world data within an agent-based model to make an initial exploration of the potential of using the predictions for decreasing the income inequality of drivers. The results show that (a) the prediction model is able to fairly accurately predict demand, and (b) one of the three implemented rule-based naive dispatchers successfully used the predictions in order to increase the level of fairness. |
| Zusammenfassung | Ride-Hailing-Dienste wie Uber und Lyft haben sich in den letzten zehn Jahren weltweit durchgesetzt und das Taxigewerbe sowohl für Kunden als auch für Fahrer revolutioniert. Dieses Geschäftsmodell beseitigt viele Einstiegshürden für neue Fahrer und macht das Pendeln mit dem Taxi billiger und bequemer für die Kunden. Allerdings ist es auch von drastischen Einkommensunterschieden und geringer Arbeitsplatzsicherheit betroffen. Ziel dieser Arbeit ist es, zu untersuchen, ob wir die Einkommensungleichheit verringern können, indem wir ML-basierte Nachfragevorhersagen nutzen, um die Fahrer strategisch einzusetzen. Zu diesem Zweck entwickle ich zunächst ein Machine Learning Model zur Vorhersage der Kundennachfrage anhand eines realen Ride-Hailing-Datensatzes, der von der Stadt Chicago gesammelt wurde. Zweitens integriere ich die realen Daten in ein agentenbasiertes Modell, um das Potenzial der Vorhersagen zur Verringerung der Einkommensungleichheit von Fahrern zu untersuchen. Die Ergebnisse zeigen, dass (a) das Prognosemodell in der Lage ist, die Nachfrage ziemlich genau vorherzusagen, und (b) einer der drei implementierten regelbasierten naiven Dispatcher hat es erfolgreich geschafft, die Prognosen zu nutzen um eine Fairnessverbesserung zu erreichen. |
| PDF File |
Download
|
| Export |
BibTeX
|