RideBench: A Large-Scale Exogenous-Aware Benchmark for Ride-Hailing Time Series Forecasting
作者: Shengsheng Lin, Jing Hu, Zhengyang Hu, Jiazheng Sun, Zichun Cao, Siwei Sun, Zhichao Zou, Enyun Yu, Dongdong Li, Xinyi Hu, Weiwei Lin
分类: cs.LG
发布日期: 2026-10-08
💡 一句话要点
提出RideBench以解决出行打车时间序列预测中的外部因素影响问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 出行打车 时间序列预测 外部因素感知 数据集构建 模型评估 长时间预测 智能交通 预测模型
📋 核心要点
- 现有的出行打车预测模型在复杂外部因素影响下，难以准确捕捉模式变化，导致预测效果不佳。
- 论文提出了RideBench基准，旨在评估外部因素感知的打车预测方法，涵盖多种预测场景和时间跨度。
- 实验结果显示，已知的外部变量在短期预测中显著提升了预测准确性，但长时间预测仍存在较大挑战。
📝 摘要（中文）
我们发布了Ride-Hailing，这是一个基于滴滴市场数据合成的大规模出行打车时间序列数据集，涵盖200个空间区域，跨度四年，半小时粒度，并包含三种代表性的外部场景：天气干扰、假期效应和大型事件影响。在此基础上，我们引入了RideBench，一个全面的外部因素感知打车预测基准，涵盖常规一周预测和长达8周的预测，最多可进行2,688步预测。我们的结果表明，已知的外部变量在常规一周预测中提供了明显的优势，但现有模型仍难以充分捕捉复杂外部环境下的模式变化，尤其是在长时间预测中，现有模型无法同时实现低点误差和准确的趋势预测。这些发现揭示了现有预测模型与实际需求之间的明显不匹配，强调了需要更好利用未来已知外部信息的模型。
🔬 方法详解
问题定义：本论文旨在解决现有出行打车时间序列预测模型在面对复杂外部因素时的不足，尤其是在天气、假期和大型事件影响下的预测准确性问题。现有模型往往无法有效捕捉这些外部因素引起的模式变化。
核心思路：论文的核心思路是构建一个包含丰富外部因素信息的基准数据集Ride-Hailing，并基于此数据集开发RideBench基准，以评估不同预测模型在外部因素感知下的表现。通过引入已知的外部变量，模型能够更好地适应复杂的预测场景。
技术框架：整体架构包括数据集构建、模型评估和结果分析三个主要模块。数据集构建阶段合成了包含外部因素的时间序列数据，模型评估阶段则对30多种预测方法进行比较，结果分析阶段则总结了模型在不同场景下的表现。
关键创新：最重要的技术创新点在于引入了Ride-Hailing数据集和RideBench基准，提供了一个系统化的评估框架，使研究者能够针对外部因素感知的预测方法进行深入研究。这与现有方法的主要区别在于强调了外部因素的作用。
关键设计：在模型设计中，采用了多种预测方法，包括内生模型和外生感知模型，并设置了不同的损失函数以适应不同的预测任务。模型的参数设置和网络结构经过精心设计，以确保在多种场景下的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，已知的外部变量在常规一周预测中显著提高了预测准确性，尤其在天气、假期和大型事件影响下，模型表现出明显的优势。然而，在长时间预测中，现有模型仍未能同时实现低点误差和准确的趋势预测，显示出进一步改进的空间。
🎯 应用场景
该研究的潜在应用领域包括智能出行、城市交通管理和商业决策支持等。通过更准确的打车需求预测，相关企业可以优化资源配置，提高服务效率，进而提升用户体验。此外，研究成果也为未来的出行预测模型设计提供了重要参考，推动相关领域的发展。
📄 摘要（原文）
We release Ride-Hailing, a large-scale ride-hailing time series dataset synthesized from DiDi's marketplace data across 200 spatial areas. Ride-Hailing spans four consecutive years at half-hourly granularity and covers three representative exogenous scenarios: Weather Disturbance, Holiday Effect, and Large-scale Event Impact. Built upon Ride-Hailing, we introduce RideBench, a comprehensive benchmark for exogenous-aware ride-hailing forecasting, covering both regular week-ahead forecasting and long-horizon 8-week-ahead forecasting with up to 2,688 prediction steps. RideBench evaluates over 30 representative forecasting methods, including endogenous-only models, exogenous-aware models, and time series foundation models. Our results show that future-known exogenous variables provide clear benefits in regular week-ahead forecasting, especially under weather, holiday, and large-scale event (e.g., major sporting events and concerts) scenarios. However, current exogenous-aware models still struggle to fully capture disturbance-induced pattern changes under complex external contexts. For long-horizon forecasting, existing models cannot simultaneously achieve low pointwise errors, accurate broad trends, and reliable near-term forecasts. These findings reveal a clear mismatch between existing forecasting models and real-world ride-hailing requirements, highlighting the need for models that can better exploit future-known exogenous information, scale across heterogeneous areas, and support long-horizon planning. By introducing Ride-Hailing and RideBench, we aim to encourage the community to study these practical challenges in real-world ride-hailing forecasting.