《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Short-term demand forecasting in mobility-on-demand systems: A systematic literature review and research agenda
编辑推荐:
对2016—2025年间292项关于出行即服务(Mobility-on-Demand, MoD)短时需求预测的研究进行系统综述。识别六类MoD运营任务中普遍存在的配置—运营错配。形式化预测—优化(Predict-and-Optimize, PAO)范式,并纳入
对2016—2025年间292项关于出行即服务(Mobility-on-Demand, MoD)短时需求预测的研究进行系统综述。识别六类MoD运营任务中普遍存在的配置—运营错配。形式化预测—优化(Predict-and-Optimize, PAO)范式,并纳入调度、定价和充电损失。构建十七维研究缺口矩阵,为六个未来研究方向提供依据。覆盖新兴范式:基础模型、联邦学习(Federated Learning, FL)和概率预测。
研究背景与问题:出行即服务(Mobility-on-Demand, MoD)涵盖网约车、共享单车、共享汽车、需求响应型交通(Demand-Responsive Transit, DRT)等,其需求具有实时响应、空间供给不均和时间波动特征,短时需求预测因而成为运营管理的基础能力。既有研究在方法上快速代际演进,但预测目标配置主要由方法惯例而非下游运营任务决定,导致预测精度与运营价值之间存在结构性错配;同时,专有数据主导、评估指标不一致、跨研究可比性弱和可复现性不足限制了知识累积。基于此,研究人员开展系统文献综述(Systematic Literature Review, SLR),旨在综合方法、特征、预测目标和评估实践,并提出决策对齐框架与PAO研究议程。
研究人员开展的研究与结论:研究人员遵循PRISMA协议,对292篇同行评议研究进行系统综述,构建十七维研究缺口矩阵,识别六类运营任务中的配置—运营错配,并形式化PAO范式及调度、定价、充电三类任务特定损失。研究结论表明,MoD短时需求预测已形成从统计模型、机器学习、循环神经网络(Recurrent Neural Network, RNN)、卷积神经网络(Convolutional Neural Network, CNN)到图神经网络(Graph Neural Network, GNN)和Transformer的代际演进,GNN与Transformer趋于混合部署;但概率预测、决策对齐评估、跨城市迁移和标准化公平指标仍显著不足。其意义在于将研究问题从“何种架构获得更低误差”推进到“何种预测模型产生更优车队管理结果”,为运营导向的预测研究提供理论框架。
关键技术方法(不超过250字):研究人员采用PRISMA流程,检索Web of Science、Scopus和IEEE Xplore,时间限定2016—2025年,语言限定英文,围绕MoD系统类型、需求预测任务和短期时间窗构建布尔检索式;纳入预测期不超过24 h且在真实或现实仿真数据上报告定量性能的研究,排除中长期、货运、私人车辆和固定班次公交等。初检1263条,去重后1033条,题名/关键词/摘要筛选排除711条,全文评估322条,排除32条,数据库保留290条,经Connected Papers补充2条,最终纳入292条。数据来源包括NYC TLC、Citi Bike、Chicago TNP、DiDi等,约79%使用专有数据;未涉及临床样本队列。
研究结果:3 文献语料特征:3.1发表趋势显示2016—2025年发文持续增长,2024年达峰值;3.2地理分布显示纽约市和中国城市高度集中;3.3数据来源与特征通过数据源类型学发现六类来源、公共数据集中于少数城市且约79%为专有数据,3.3.1六类数据源、3.3.2代表性数据集、3.3.3数据相关缺口表明需求删失、供给侧数据缺失、数据质量未标准化、公共数据地理集中和新兴模式缺乏运营数据;3.4 MoD系统类型通过多标签统计发现出租车、共享单车和网约车占主导,电动滑板车、汽车共享、自动驾驶/DRT和多模式整合不足。4 预测方法:4.1统计与经典时间序列模型因线性、平稳性和单变量限制而在2021年后式微;4.2机器学习以特征工程和可解释性见长但受手工特征与空间拓扑表达限制;4.3循环架构(LSTM/GRU)通过门控状态建模序列但空间依赖隐式且长 horizon 误差累积;4.4卷积及混合架构以网格/六边形编码局部空间结构但受规则网格与非欧拓扑错配限制;4.5 GNN通过图卷积编码非欧拓扑并成为主导范式,但约85%图结构静态且计算随图规模增长;4.6 Transformer以自注意力建模全局依赖但数据密集、空间标记忽略拓扑且位置编码不一致;4.7新兴范式包括4.7.1可解释与公平、4.7.2概率与不确定性、4.7.3联邦与隐私保护、4.7.4迁移学习、4.7.5基础模型与量子启发架构,均显示议程扩展但评估成熟度不足。5 输入特征:5.1时间特征普遍但编码策略缺乏受控比较且非平稳性建模少;5.2空间/上下文特征约82%采用但多为静态;5.3气象特征仅约36%采用且多作静态标量;5.4事件驱动特征约13%且缺实时事件流;5.5跨模态辅助信息约20%增长但融合多为拼接;5.6人口与公平特征约12%集中于公平子文献;5.7综合表明时间空间特征成熟、气象事件人口特征不足、融合策略以简单拼接为主且缺上下文自适应。6 预测目标:6.1空间粒度通过语料统计发现网格、区域、站点、OD和多分辨率五类,网格/区域约占65%;6.2时间分辨率与预测期显示15—60 min常见、多步预测约20篇但长horizon不足;6.3需求表示识别八类,pickup count主导、概率分布不足6%;6.4决策对齐框架通过六类运营任务比较发现主导配置(区域级、30—60 min、确定性pickup count)仅最匹配车辆预置,对实时调度、动态定价和充电调度等匹配差,并指出空间粒度×时间分辨率、空间粒度×需求表示、时间horizon×需求表示存在交互效应。7 综合评估:7.1跨研究性能比较受数据集、空间和时间分辨率异质限制,仅在同数据集内可见GNN/Transformer相对优势;7.2评估指标与可复现性显示MAE和RMSE近乎普遍但定义不一致,MAPE零需求不稳定,概率指标少于2%,约75%—79%使用专有数据且代码公开少;7.3研究缺口矩阵通过十七维评估发现概率输出、动态图拓扑、跨城市迁移、决策聚焦学习和评估标准化等为高优先级缺口;7.4定位表明本综述扩展了既有综述并捕捉2016—2025年方法代际与议程扩展。8 未来方向:8.1概率与不确定性预测通过缺口分析提出保形预测、波动区制校准和不确定性传播;8.2跨城市迁移与联邦模型训练提出多城市联邦、对抗鲁棒与LLM冷启动;8.3动态自适应时空图提出事件触发拓扑重校准和超图;8.4异质外部协变量整合提出气象作为图修饰、LLM编码事件文本和自适应门控;8.5 PAO通过形式化先预测后优化(Predict-then-Optimize, PTO)与PAO差异,提出调度、定价和充电三类任务特定损失及可微优化路线;8.6可解释、空间公平与伦理提出标准化公平指标、因果推断和监管审计框架;8.7综合表明概率预测、PAO和可解释公平最关键但覆盖低,PAO最具变革性。
讨论部分总结:讨论指出六个方向成熟度不均,概率预测、PAO与可解释公平的语料覆盖分别不足6%、0%和约8%,与其运营和社会重要性严重不匹配;动态图和异质协变量已有进展但仍有结构缺口;跨城市迁移与联邦学习增长最快、最接近部署证据。PAO被强调为最重要方向,因为它将“最低MAE”问题转化为“最佳车队管理结果”问题,纠正预测目标与运营任务的结构性错配;2025年12月后文献仅作叙述性补充,显示相关方向已获初步推进。实施PAO需跨交通工程、机器学习、运筹学、空间统计和城市政策协作。
结论翻译:本系统综述考察了2016—2025年间292篇关于MoD系统短时乘客需求预测的同行评议研究。除综合方法、输入特征、预测目标配置和评估框架外,综述提出决策对齐框架,形式化预测目标设定与下游运营目标之间的关系,并阐发语料中缺失的PAO范式;这种全面语料覆盖与建设性理论贡献的结合区别于既往仅综合的综述。主要发现为:RQ1识别从统计模型、机器学习、RNN/LSTM、CNN混合、GNN到Transformer的六代方法演进,GNN与Transformer趋于混合而非替代,并出现可解释与公平、概率预测、联邦学习、迁移学习和基础模型五类新兴范式;RQ2识别六类特征,时间与空间特征近乎普遍,但气象、事件和人口协变量相对其影响被低代表,融合多为简单拼接;RQ3记录五类空间配置和八类需求表示,空间粒度、时间分辨率和需求表示的交互很少被承认,仅两项研究系统考察粒度敏感性,预测目标多由方法惯例而非运营需求驱动;RQ4显示MAE和RMSE近乎普遍但定义不一致,约75%研究使用专有数据,少于5%公开代码,十七维缺口矩阵将概率需求预测、决策聚焦PAO框架、跨城市迁移和标准化公平指标列为最重要未解挑战;RQ5提出决策对齐框架和形式化PAO范式,含调度、定价和充电调度三类任务特定损失。局限包括排除中长期需求建模和供给侧优化、仅检索英文三数据库、系统检索截止2025年12月、快速演进领域可能低估最新方法,且决策对齐框架为定性对齐类别,PAO为基于成熟决策聚焦学习原语的方法提案,尚需实现并与PTO基线基准比较。尽管如此,该综述旨在同时作为十年进展的综合和面向运营落地与社会负责的MoD需求预测路线图。