RideBench：面向网约车时间序列预测的大规模外生信息感知基准

arXiv:2610.11164v1 公告类型：新发布 摘要：我们发布了 Ride-Hailing，这是一个基于 DiDi 平台覆盖 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。Ride-Hailing 以半小时为时间粒度，涵盖连续四年的数据，并覆盖三种具有代表性的外生场景：天气扰动、节假日效应和大型活动影响。基于 Ride-Hailing，我们推出了 RideBench，这是一个面向外生信息感知网约车预测的综合基准，涵盖常规的未来一周预测，以及预测步数最多达 2,688 步的未来八周长跨度预测。RideBench 评估了 30 余种具有代表性的预测方法，包括仅使用内生信息的模型、外生信息感知模型和时间序列基础模型。结果表明，未来已知的外生变量能为常规的未来一周预测带来显著收益，尤其是在天气、节假日和大型活动（如重大体育赛事和演唱会）场景下。然而，在复杂外部环境中，当前的外生信息感知模型仍难以充分捕捉扰动引起的模式变化。对于长跨度预测，现有模型无法同时实现较低的逐点误差、准确的整体趋势预测和可靠的近期预测。这些发现揭示了现有预测模型与现实网约车需求之间的明显差距，凸显了开发以下模型的必要性：更好地利用未来已知的外生信息，能够扩展应用于异质区域，并支持长跨度规划。通过推出 Ride-Hailing 和 RideBench，我们希望鼓励研究社区探究现实网约车预测中的这些实际挑战。