Resumen

Este artículo propone un grado de coincidencia para estudiar las características espacio-temporales dinámicas de los taxis urbanos y ofrece una nueva comprensión del despacho de taxis autoorganizado en puntos calientes sobre el modelo de aprendizaje de Fermi. El grado de coincidencia propuesto no solo puede reflejar las características espacio-temporales generales de la oferta y la demanda de taxis urbanos, sino también mostrar que la densidad de distribución y la distancia entre la oferta de taxis y el centro de la ciudad afectarán la satisfacción de la demanda. Además, es interesante notar que la oferta siempre excede la demanda y se autoorganizarán en un estado de equilibrio en los puntos calientes. Para comprender el fenómeno, desarrollamos el modelo de aprendizaje de Fermi basado en la teoría prospectiva y comparamos los resultados con el popular modelo de aprendizaje por refuerzo. Los resultados demuestran que ambos modelos pueden dar cuenta del comportamiento de autoorganización en diferentes escenarios. Creemos que nuestro trabajo es crucial para explorar los datos de los taxis y nuestro indicador puede proporcionar una suger

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Propone; Características espacio-temporales dinámicas; Taxi urbano; Autoorganización; Modelo de aprendizaje de Fermi; Oferta y demanda
• Keywords:Proposes; Dynamic spatiotemporal characteristics; Urban taxi; Self-organization; Fermi learning model; Supply and demand