相互选择机制基于隐藏的Ride-Hailing点

文摘

作为一种新的旅行方式,ride-hailing对公众带来了巨大的便利。然而,乘客的需求的表达能力在现有的ride-hailing平台弱,和匹配结果的准确性较低,导致大量的交易平台收入的损失和损失。在本文中,我们提出一种相互选择机制ride-hailing基于隐藏点,这是由平台效益计算算法和司机分配算法。平台主要受益计算算法计算平台订单完成后获得的好处,而司机分配算法满足乘客和司机共同选择的需求。相互选择机制通过实验和理论分析,提出了改善了用户满意度5% -21% order-snatching机制和order-sending机制的传统方法,显著提高乘客满意度,解决了这个问题,现有的平台不能满足乘客的个人旅行需求和问题,乘客的选择是不公平的。平台收入中讨论的问题的背景下,提高旅客满意度。

1。介绍

随着现代城市的不断发展,公众有越来越高的要求,方便,快速,舒适的交通工具。在人口密集的大城市,公共交通工具,比如公交车和地铁有时并不能满足公众的特殊需要。这时,ride-hailing平台成为时代要求,大大满足了多样化的旅游需求,极大地提高了人们的出行效率,也提供了更多的就业机会。经过几年的发展,ride-hailing已经成为为公众出行的第一选择。不同的ride-hailing平台将采用不同的匹配规则,不同的匹配规则将导致平台匹配结果的差异。传统ride-hailing平台的主要目的是提高匹配的效率,在更短的时间内完成更多的匹配。反映的是乘客一边是匹配的乘客在最短的时间内。传统的ride-hailing平台是一个由两部分构成的匹配问题。在这个问题中,由两部分构成的图 可以,在哪里代表了网络驱动程序和代表了乘客的订单请求。如果被分配给 ,有一个优势 。当一个乘客的订单请求到达时,ride-hailing平台必须做出决定拒绝请求或分配来 。

目前,典型的ride-hailing平台是迪迪和超级,采用不同的匹配规则。迪迪平台将提交的订单用户起点周围的司机,司机将抓住订单,和司机抓住订单将成为卖家的订单。这个模式匹配规则是相对简单的,时间效率高,但与此模式存在一些问题:工程师在紧张状态时间争夺订单,和旅游安全不能得到保证。此外,取消恶意订单抓和秩序也将减少司机和乘客的满意度,这最终将导致较低的收入的平台。与迪迪,超级使用调度模型:通过一系列复杂的匹配规则,满足客户的需要的人命令发送到匹配程度最高的司机,司机需要在一定的时间内响应,如果司机没有回应或拒绝订单,平台将为其他司机,直到司机收到订单。在这个匹配的规则下,超级需要采取一定的惩罚措施让司机谨慎接受订单和提高响应能力。然而,由于惩罚措施的存在,网络驱动程序的数量将会小于迪迪,和最终的匹配效率将低于迪迪。

现有的匹配规则的另一个问题是选择公平的问题。现有的匹配规则主要是让司机决定是否接受或抢订单,和平台决定了最终的匹配结果。没有多少选择乘客只是发号施令。这种匹配的规则的优点是,它可以减少中间环节,有效保证了匹配的效率。然而,匹配的规则也会剥夺的乘客选择的权利。司机可以选择乘客乘客不能选择司机时,部分原因是最近网上ride-hailing的恶性事件。在某种程度上,选择的公平性影响用户满意的司机和ride-hailing平台。

为了解决用户满意度的问题和复杂性造成的匹配规则公平的选择,提出了一种基于隐藏点的相互选择机制。本文分为六个章节:第二部分介绍了相关的工作。第三部分介绍了模型和机制的细节。第四部分介绍了算法和分析机制。第五部分介绍了实验部分。最后一部分总结了全文。引言应简洁,没有小标题。有限的数据可能包含只有在真正入门,不包含新的结果。

2。相关工作

与传统的旅游方式相比,网上ride-hailing具有一定的优势。陈等人。1)提出了一个启发式算法,它显示的拥有权是一种有效的方法来减少车辆的数量需要旅行和车辆里程。特别是,当参与的程度很高,起点和目的地的旅程更空间集中,拼车可以减少更多的车辆里程和车辆使用的数量。Ride-hailing平台也需要有一个策略来吸引潜在用户,这样的操作平台进入一个良性循环。王等人。2]研究了影响因素潜在用户使用在线ride-hailing平台。Henao和马歇尔(3]分析了驱动程序的相关数据,得出结论,完成订单后,司机应停止并等待下一个骑请求代替开车到活动区域,除非这样做可以减少至少30%的请求等待时间。基于水模型,杨和陈4]copassenger满意度的因素模型构造和分析客户满意度从四个维度:感知有用性、感知易用性、感知风险,旅行和感知服务质量。Gilibert et al。5导致了新的DRT机制通过识别用户需求和市场机会。Segal-Halevi et al。6)提出了一个真正的复合的双边拍卖机制,其中,通过将市场分成左和右次市场,最终,prior-free机制,优势策略incentive-compatible,个人理性,预算平衡了。李等人。7)提出了一种基于实时交通状况的出租车调度系统。苗族et al。8)结合数据信息和实时控制决定平衡最低总自由懒懒的出租车驾驶距离和最小自由驾驶距离。通过分析超级的系统架构,渡边等。9)发现价格下降和秩序的重要性增加平台体系结构的良性循环。徐et al。10)提出订单调度算法基于大规模car-hailing平台,旨在提供一种更有效的方法来优化资源利用率和用户体验从全局和长期的角度来看,显著提高分配效率的平台。Henao和Marsall11]分析了ride-hailing对交通效率的影响,得出的结论是,带来的车辆里程比没有ride-hailing ride-hailing要高得多。范教授等。12]使privacy-conscious车手达到水平的隐私,是不可能在当前rhs甚至在一些传统的出租车服务,从而提供一个潜在的业务差异。年轻,法伯(13]表明,ride-hailing太分钟和无关紧要的影响客流量的其他更实质性的出行方式的整体,当考虑特定的细分市场;的崛起ride-hailing对应于一个显著降低出租车客流量和活跃的旅游模式。它会产生更明显的影响客流量的其他模式。de Souza席尔瓦et al。14)表明,大多数ridesourcing旅行正在取代出租车和公共交通出行。安全性和成本影响的主要原因是通过ride-splitting分享旅行的决定。大型车的使用共享旅行可以引入竞争与公共交通系统。ridesourcing干扰对集体公共交通可能比个人公共交通更加明显(出租车),考虑到对前者更大的需求。Mantymaki et al。15)说,鲜明的权力差距工人和平台,反过来,工人的不满情绪的主要来源,提出两个关键维度的工作关系的上下文中platform-enabled工作:数字暂时性和算法。郭et al。16)评估ride-hailing平台的市场准入的影响在新车购买的平台上竞争,找到了两个相互竞争的平台可能提供补贴司机,这样更多的人购买新车来报名当司机。马等。17)开发一个集成模型的调查报告对风险的看法如何变成一个人的决定停止使用特定ride-hailing服务和用户的信任司机有一个积极的影响用户的信任的服务平台,对平台的态度;用户的信任平台平台积极影响他们的态度。

一般来说,大多数的相关研究集中在平台和司机,以需求预测和车辆调度为核心的(18- - - - - -21]。然而,很少有研究解决问题的乘客满意度从乘客的角度。乘客的满意度很大程度上决定了用户的保留率。如果用户满意度的问题不能得到解决,该平台将失去用户和最终导致较低的收入。因此,本文着重于乘客满意度的研究,提出了一种相互选择机制ride-hailing基于隐藏点。这种机制可以提高平台的有效性的基础上解决乘客的满意度。

3所示。模型和机制设计

3.1。模型

有三个主要的角色ride-hailing匹配机制:驱动程序( ),乘客( ),和ride-hailing平台。driver-owned车辆可以被视为一种商品,可以带着乘客到目的地。作为服务的提供者,司机可以作为卖方市场。乘客要求和提供资金问题。方购买服务,乘客发出服务请求ride-hailing平台并提供费用后,司机将它们发送到目的地,可以理解为买方市场。ride-hailing平台提供了一个价格函数,司机和乘客进行匹配,并收取一定的手续费收入。司机和乘客都是用户的平台。党提供平台,ride-hailing平台可以被理解为做市商的市场(见图1)。

每个用户在匹配机制都有自己的价值功能 ,这是初始化 。用户的价值函数是由带来的好处。司机的价值功能服务的成本和利润构成。在本文中,假设这个平台订单,价格设定的功能平台 ,旅行的距离在一个订单( )。所以对于买家 , 。对于卖方 , 。 代表的空载成本驱动程序。这个距离是只有成本和收益。

匹配机制生成一个匹配的结果 和一个交易价格函数根据旅客的需求。在匹配机制提出,匹配的结果是由驾驶员和乘客的共同选择。他们需要接受匹配结果和负责匹配结果和支付一定的交易费的平台 ,在哪里 。如果匹配机制的预算平衡 如果每个用户收到一个正的回报,那么一个机制是个人理性;也就是说, 是不可避免的。如果用户不能通过错误报告估值增加自己的收入,那么,这种机制是真实的。本文定义了旅客满意度函数 。用户满意度会带来一些隐藏的利益的平台。然后 ,在哪里代表平台运营成本。

3.2。机制的细节

在这种机制下,乘客发送服务请求以在线ride-hailing平台请求服务。基于距离的原理,在线ride-hailing平台第一次使用隐藏点匹配机制的第一选择司机最接近用户的出发点,然后过滤掉司机接近用户的隐藏点,订单将被推到司机,司机的驱动程序( ),然后的平台将信息驱动程序(性别、距离、车辆情况、车辆类型、行驶速度,等等)的用户,和用户选择服务的司机。这时,司机和乘客成功匹配,即价值 。司机是一个可重用的资源(22]。司机抓住订单时间 ,和乘客决定为司机服务时间 。订单完成时间 ,之后司机将加入匹配的队列 ,和乘客将占用的时间 ,这是服务时间。司机的占用时间匹配与乘客取决于用户的类型(如目的地)和时间匹配发生时(高峰时段可能显著不同于非高峰时间)。

隐藏点的机制使用加权算法计算隐藏点分别为司机和乘客。隐藏点司机包括顺序抓取率、订单完成率,用户评价和投诉。顺序抓取率指的是司机的录取率订单推的平台。订单完成率指的是订单的数量的比例抓住司机和司机的数量完成订单了的司机。订单抓取率和订单完成率将影响司机的隐藏的分数。用户评价包括多个分数,包括乘客满意服务,司机的服务态度,车辆环境中,车辆速度,以及是否准时到达,并通过综合评价得分加权算法。司机和平台有权查看用户评估。司机可以根据用户提高他们的服务质量评估,提供更好的服务,改善他们的隐藏点,并获得更高的利润。抱怨率指的是比例的司机的抱怨他完成订单数量的订单。抱怨率隐藏的比率成正比。 The passenger’s complaint against the driver will be handled manually by the online car-hailing platform. The passenger’s evaluation of the platform will be reflected in the user satisfaction later. Passenger hidden score includes complaint rate, usage rate, and driver evaluation. Among them, the complaint rate refers to the proportion of passenger complaint orders in all the submitted orders. When users encounter some problems that are difficult to coordinate with the driver, they can use complaints to protect their rights and interests. Under normal circumstances, the passenger’s complaint rate will be maintained at a normal level, but if the passenger’s complaint rate exceeds the normal level, it will be classified as a poor-quality passenger, and the complaint rate is inversely proportional to the hidden share. Utilization rate refers to the frequency with which passengers use the ride-hailing platform, and the utilization rate evaluation is proportional to the concealment. Driver evaluation refers to the driver’s evaluation of passengers. The higher the evaluation, the higher the hidden score. Drivers and passengers evaluate each other. The evaluation is not displayed in real time (that is, it can be evaluated after the order is completed), but it can be evaluated one minute after the order is completed, and the evaluation content is not displayed in real time, but only after the mutual evaluation of both parties is seen. This reduces false ratings to a certain extent, because under the scoring mechanism of the existing platform, the order can be evaluated once the order is completed, and some drivers will require passengers to give a full score evaluation, even if some passengers are not satisfied with the itinerary, only a full score evaluation. Delaying the evaluation time can to a certain extent ensure that passengers leave the driver’s visible range for evaluation, which improves the authenticity of the evaluation.(我)司机的隐藏点: 在司机和订单加扰率、订单接收完成率,抱怨率,和用户评价。(2)乘客的隐藏点: 为乘客,是使用率,抱怨率,和驱动程序的评估。

在本文中,假设司机的供应 ,和用户的需求 ,一般来说,我们有过度需求( ),供应过剩( ),和供给和需求相等( )。当ride-hailing平台 ,这意味着当前时间达到峰值,当 ,这意味着当前会话是一个较低的时期。在本文中,我们只讨论供过于求的情况下,司机的数量远远超过用户订单的数量。

图所示的步骤2。

步骤1。乘客服务请求发送到平台,平台乘客离开,到来,隐藏信息的分类,然后在旅客来源,筛选从最近的起点司机,据司机隐藏点;过滤掉司机已经接近用户的隐藏点;然后把这些用户订单驱动程序。

步骤2。在司机,会有司机争夺订单( ),然后将推动的信息平台驱动程序(性别、距离、车辆情况、车辆类型、平均行驶速度等)的用户,谁将最终选择服务的司机。乘客选择服务驱动程序后,平台与两个匹配,将服务驱动程序添加到离线池,返回成功的信息秩序绑架者的司机,并返回信息绑架者通知他们失败的绑架者。

步骤3。过程完成后,平台计算费用,乘客应该支付给司机和交易费用户需要支付平台基于单位价格的里程。交易费用分别支付给乘客和司机。交易完成后,司机和乘客之间的互相评价服务,和双方的评估结果是隐藏的,可见双方第二天。

3.3。算法和分析

本节介绍driver-passenger相互选择的匹配算法基于隐藏点,旨在设计一个匹配的规则。的基础上确保匹配的效率,该算法能使乘客有一定的权利表达的需求,提高用户满意度,最终增加了平台的收入。

对于每一个司机,有一定概率决定是否抢订单。摘要司机的概率决定抢订单的定义是 。对于每一个乘客,每个司机都有一个匹配的重量值;也就是说,匹配 有关重量吗 。因为司机是一个可重用的资源,让 。在公式(4),第一项代表不可用时间 ,第二项表示被分配到其他乘客的时间吗 。小于的概率可在时间 。

利益分配算法ride-hailing平台的算法所示1,在那里代表的司机司机池等在时间 。 司机信息集合,在哪里是司机的数量,代表司机编号的隐藏的分数 , 代表司机编号的状态 , 意味着司机在线,等待订单,和 意味着司机已脱机或运送乘客。说订单收集的信息,用户说起源、时间,用户说隐藏的点,说订单订单的状况。的 代表了平台的收入。

当乘客订单提交要求平台,系统时间 分布的司机给用户。系统分配司机通过分配算法,通过算法如图所示2。订单完成后,平台需要修改状态的驱动程序和更新驱动程序的隐藏点信息池和计算订单的收入。

在算法2,代表的最大检查驾驶员和乘客之间的距离定义为系统在初选。根据用户的源信息的顺序,系统筛选所有司机的距离小于源 。距离是司机的最快时间平均距离和最短的距离。 代表了成功配对的司机和乘客。是系统设定的分数的区别。为了提供更好的服务,系统会自动匹配分数内乘客和司机之间的区别 。可能会有多个乘客使用ride-hailing服务同时,和一个司机也可以满足多个乘客的需要。分配算法设置一个计时器,用户必须选择司机在有效的时间内防止被其他乘客或司机得到了异常。因为double-option机制,司机可能会被用户选择B之前被用户选中,也鼓励用户选择尽快。如果司机被选中,系统将司机的集合返回给用户,直到匹配成功或没有司机司机池中选择。

定理1。incentive-compatible prior-free匹配机制,优势策略,分别合理,预算平衡了。

证明。先验的自由是由机制,不需要收集用户的价值信息。在优势策略和incentive-compatible,对于乘客来说,只有通过发送订单可以得到服务。发送订单的行为是占主导地位的战略,而对于司机,不管其他司机如何选择,争夺订单的行为是占主导地位的战略。在这种机制下,乘客和司机无法增加收入膨胀的估值。价格设定的平台,任何一方都无法影响价格。因此,激励兼容机制。通过这个平台,乘客和司机相互配合,最终实现各自利益的最大化,这显然是个人理性的理性。预算平衡机制;也就是说,平台不会亏钱,可以获得交易的交易费用。

定理2。根据该算法,提高乘客满意度将带来更多隐藏的利益的平台。

证明。在这种机制下,乘客的满意度将提高由于其繁殖需要满足在一定程度上,和他们自己的需要重视的平台,和公平的平台匹配是保证。乘客的满意度将推动新的客运加入这个平台,以及乘客的数量的增加将使更多的司机选择使用这个平台,和司机的数量的增加将会吸引更多的人加入平台进入良性循环状态,最终用户的数量增加,平台和带来更多的效益。

用户满意度由三部分组成:匹配,匹配效率、评价、 在哪里是一个常数,是平台评估、服务质量、满意度和需求。

3.4。实验

为了验证所提出的机制的有效性,本文模拟了一个场景,在该场景中,有一个ride-hailing平台1乘客和20司机随机分布在乘客。实验模拟了三种不同的匹配方法(平台采用了模式争夺订单,平台B采用的模式调度命令,和C平台采用了匹配规则提出了),最后生成3组数据,每组数据与50记录。不同所产生的记录匹配规则是不同的。平台的仿真数据包含订单的匹配时间,司机的抓取率,用户评价,和其他数据;数据平台B包含订单匹配时间,司机的录取率,和用户评价和其他数据;模拟的数据平台C包括订单的匹配时间,司机的获取订单,用户的同意率,用户的评价平台,用户评价的行程,和用户满意度的需求。模拟数据包括匹配,匹配效率,用户的评价平台,用户的评价的旅程,每个订单和用户的满意度在不同的规则。

这个实验假设下三个平台,司机的数量远远大于乘客,确保订单匹配效率在不同的平台将不会影响供给和需求之间的关系。三个不同的匹配规则被用来计算每组的满意度的50个数据在每个匹配的规则,和实验结果如下。

从上面的图中,我们可以看到,平台C的总体匹配时间长于那些平台和平台B平台C的平均匹配时间超过15%的平台和超过3.6%的平台(见图3)。平台C的整体匹配率优于平台伪劣的平台B平台C的平均匹配率是6%低于平台B和12%高于平台(见图4)。的总体评价平台C比那些平台和平台的平均评价B平台C平台的高出39%和30%高于平台B(见图5)。平台C是更好的整体用户满意度的平台,平台B平台C的满意度高于21%和5%高于平台平台B(见图6)。

自平台采用顺序地规则,平台将发送命令到20司机,和20司机将争夺订单。竞争比例是1/20。虽然平台的匹配速度有很大的优势的平台B和C,最终的匹配结果是不可预测的,不能反映乘客需求的表达。司机的竞争激烈和乘客满意度低于平台B和C的水平。因为乘客的紧急需求不能被满足,乘客将造成的损失,和乘客的损失将进一步导致司机的丧失,导致一个恶性循环,平台的最终收入会减少。

平台B采用调度规则;然后这个平台将利用其复杂的算法来选择一个司机从20司机发送订单的竞争比0。最终的匹配结果是由算法本身,并一定程度的可控性。匹配的结果比平台更符合用户预期,但是很难满足乘客的紧急需求。其用户满意度高于平台,和匹配的时间比平台C,但没有什么不同平台的用户满意度不如C。

C平台,采用提出的机制在这篇文章中,会选择发送命令到10司机从20司机。最后的竞争比的数量是由单司机但必须小于1/10。司机的竞争比优于平台b和劣质的平台。然而,该驱动程序,用户可以选择能够最好地满足他们的需求的司机拿订单。可以解决当前用户的需求在一定程度上,和用户满意度会上升。用户满意度的增加会给乘客带来更多的新平台,以及新的乘客也将带来更多的司机。最终,平台的收入将逐步提高用户满意度增加。

4所示。结论和未来的发展方向

无法保证用户的保留率和新用户介绍了ride-hailing平台的问题迫切需要解决。解决这个问题的关键是提高用户的满意度,使平台进入一个良性循环,从而增加平台的收入。为了解决这个问题,本文提出了一种分配机制。通过对比实验,证明了这种机制可以提高用户满意度,使平台进入一个良性循环,获得更多的好处,和解决公平问题的选择在现有的匹配规则。

然而,本文对乘客满意度,这个平台的用户不仅包括乘客也是司机。如何提高司机的满意将是我们的下一个步骤。同时,尽管价格函数介绍本文没有进一步讨论。如何开发一个合理的价格函数也将未来研究工作的重点。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是支持下由中国国家自然科学基金资助61872313,在部分关键在江苏省教育信息化研究项目拨款20180012,部分研究生研究和实践创新2366年江苏省在格兰特KYCX18 \程序,部分由扬州科技格兰特YZ2018209和格兰特YZ2019133,部分由扬州大学江都市高端设备工程技术研究所授予YDJD201707下开放项目,和部分开放项目在海洋工程国家重点实验室,上海交通大学,在1907年格兰特。

引用

1. m . w . Chen Mes, m . Schutten和j·昆特,”会议的拥有权问题点并返回限制,”交通科学,53卷,不。2、401 - 426年,2019页。视图:出版商的网站|谷歌学术搜索
2. y . Wang j . Gu s . Wang和j·王,“了解消费者使用意愿的拥有权服务:角色的感知价值和感知风险,”交通研究部分C:新兴技术卷,105年,第519 - 504页,2019年。视图:出版商的网站|谷歌学术搜索
3. a . Henao和w·e·马歇尔“个体经济学的分析ride-hailing司机,”交通研究部分:政策和实践卷,130年,第451 - 440页,2019年。视图:出版商的网站|谷歌学术搜索
4. J.-C。杨和D.-D。陈,“顾客满意度的影响因素的拥有权,”生态经济,15卷,不。2、88 - 94年,2019页。视图:谷歌学术搜索
5. m . Gilibert里巴斯,n . Maslekar c . Rosen和a . Siebeneich”服务部署的映射用例和用户需求按需共享ride-hailing服务:Moia测试服务案例研究中,“案例研究在交通政策,7卷,不。3、598 - 606年,2019页。视图:出版商的网站|谷歌学术搜索
6. e . Segal-Halevi a Hassidim y Aumann,”穆达:一个真实的多部件双向拍卖机制,”三十二AAAI会议Artifcial情报AAAI出版社,页1193 - 1201年,新奥尔良,2018。视图:谷歌学术搜索
7. D.-H。r·l·李,h . Wang Cheu, s . h . Teo”出租车调度系统基于当前的需求和实时的交通状况,“交通研究记录,卷1882,不。1,第200 - 193页,2004。视图:出版商的网站|谷歌学术搜索
8. f .苗族、汉族,美国林et al .,“数据驱动的健壮的出租车调度需求不确定性下,”IEEE控制系统技术,27卷,不。1,第191 - 175页,2019。视图:出版商的网站|谷歌学术搜索
9. c .渡边、k . Naveed和p . Neittaanmaki”联合进化的三大趋势培育un-captured GDP——超级的骑——分享革命,”技术在社会,46卷,第185 - 164页,2016年。视图:出版商的网站|谷歌学术搜索
10. z z,李问:关et al .,“按需ride-hailing大规模订单调度平台:一个学习和规划方法,”《24日ACM SIGKDD国际会议上知识发现和数据挖掘,页905 - 913,纽约,2018年。视图:出版商的网站|谷歌学术搜索
11. a . Henao和w·e·马歇尔ride-hailing对车辆里程的影响。”运输,46卷,不。6,2173 - 2194年,2019页。视图:出版商的网站|谷歌学术搜索
12. 范教授,滑落,b . Jacot-Guillarmod et al .,“PrivateRide: privacy-enhanced ride-hailing服务,“程序对隐私增强技术,卷2017,不。2,38-56,2017页。视图:出版商的网站|谷歌学术搜索
13. m .年轻,法伯,“谁,为什么,当乳房和其他ride-hailing旅行:考试大样本家庭旅行的调查,“交通研究部分:政策和实践卷,119年,第392 - 383页,2019年。视图:出版商的网站|谷歌学术搜索
14. 洛杉矶de Souza席尔瓦,m·o·德安德拉德和m·l·阿尔维斯玛雅“ride-hailing系统需求如何影响个人运输监管?”运输经济学研究卷,69年,第606 - 600页,2018年。视图:出版商的网站|谷歌学术搜索
15. m . Mantymaki a . Baiyere和a . k . m . n .伊斯兰教,“数字平台和体力劳动的性质发生变化:从ride-hailing见解,“国际信息管理杂志》上49卷,第460 - 452页,2019年。视图:出版商的网站|谷歌学术搜索
16. 李郭y、x, x曾庆红,“平台竞争共享经济:了解ride-hailing新车购买服务的影响,“管理信息系统杂志》上,36卷,不。4、1043 - 1070年,2019页。视图:出版商的网站|谷歌学术搜索
17. l .马张x, x叮,g .王”风险知觉和意图在中国停止使用ride-hailing服务:迪迪的例子Chuxing,”交通研究F部分:心理学和行为卷,66年,第470 - 459页,2019年。视图:出版商的网站|谷歌学术搜索
18. h . r .局域网,l .太阳,z . Liu, c .彭日成和x罗,“MADNet:快速、轻量级网络幅图片超分辨率,”IEEE控制论,1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
19. 李y, h . Lu,μ,d . Wang h . Kim和s . Serikawa”运动异常检测无人机使用强化学习,”IEEE物联网,5卷,不。4、2315 - 2322年,2018页。视图:出版商的网站|谷歌学术搜索
20. h . m . y . h . Lu Li Chen Kim和s . Serikawa“大脑智力:超越人工智能,”移动网络和应用程序,23卷,不。2、368 - 375年,2018页。视图:出版商的网站|谷歌学术搜索
21. j . x, h . Lu歌,y, h·t·沈和李x”三元对抗网络与慎独zero-shot跨通道检索”IEEE控制论,50卷,不。6,2400 - 2413年,2020页。视图:出版商的网站|谷歌学术搜索
22. j·p·迪克森,k . a . Sankararaman a . Srinivasan和p .徐”分配问题的拥有权平台:在线匹配ofine可重用的资源,”三十二AAAI会议Artifcial情报AAAI出版社,页1007 - 1014年,新奥尔良,2018。视图:谷歌学术搜索

版权

版权©2020年易建联江等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。