RideBench：用于网约车时间序列预测的大规模外生感知基准

我们发布了 Ride-Hailing，这是一个由滴滴 200 个空间区域的市场数据合成的大规模网约车时间序列数据集。网约车连续四年以半小时为粒度，涵盖三种代表性的外生场景：天气干扰、节日影响和大型事件影响。在打车服务的基础上，我们引入了 RideBench，这是一个用于外生感知打车预测的综合基准，涵盖常规的未来一周预测和长期的未来 8 周预测，最多有 2,688 个预测步骤。 RideBench 评估了 30 多种代表性预测方法，包括纯内生模型、外生感知模型和时间序列基础模型。我们的结果表明，未来已知的外生变量在常规的未来一周预测中提供了明显的好处，特别是在天气、假期和大型活动（例如重大体育赛事和音乐会）场景下。然而，当前的外源感知模型仍然难以完全捕捉复杂外部环境下干扰引起的模式变化。为了 对于长期预测，现有模型无法同时实现低点误差、准确的总体趋势和可靠的近期预测。这些发现揭示了现有预测模型与现实世界的网约车需求之间明显不匹配，突显了需要能够更好地利用未来已知的外源信息、跨异构领域进行扩展并支持长期规划的模型。通过引入乘车服务和 RideBench，我们旨在鼓励社区研究现实世界乘车预测中的这些实际挑战。