摘要 本研究为开发智慧和新兴城市移动系统的数字孪生奠定了基础，使用共享出行服务（如拼车）作为关键案例。当城市面临交通拥堵、环境可持续性和交通公平等挑战时，共享出行平台（例如UberPOOL和Lyft Shared）成为具有前景的解决方案。利用芝加哥运输网络公司（TNC）共享出行数据集，本研究通过数据挖掘和探索性分析揭示了用户行为和拼车动态中的潜在模式。它区分了用户授权拼车的出行与实际拼车的出行，揭示了重要的空间、时间和行为差异。经济因素也发挥了重要作用。例如，授权和成功拼车出行之间的小时差距在周末更窄，暗示了更稳定的匹配机会，而授权但未拼车的用户每英里的支付往往低于一般出行人群。基于这些见解，本研究整合了监督和无监督机器学习方法，以增强对拼车动态的理解。采用基于密度的空间聚类噪声应用（DBSCAN）揭示潜在的出行分组，这成为开发预测模型的基础，估算成功拼车匹配的可能性。实施并严格评估了包括逻辑回归、随机森林和XGBoost在内的多种分类器，以识别最有效的预测模型。这种综合方法不仅提供了对当前移动平台中拼车行为和出行共享性的全面视角，还为早期阶段的数字孪生打下了基础，可以模拟、优化并为未来智能移动系统中的决策提供信息，包括自动驾驶车辆车队运营。
Sebti等（Sun，）研究了这个问题。