A Study on Methodology for Improving Demand Forecasting Models in the Designated Driver Service Market

대리운전 시장의 지역별 수요 예측 모형의 성능 향상을 위한 방법론 연구

Nowadays, the Designated Driver Services employ dynamic pricing, which adapts in real-time based on nearby driver availability, service user volume, and current weather conditions during the user's request. The uncertain volatility is the main cause of price increases, leading to customer attrition and service refusal from driver. To make a good Designated Driver Services, development of a demand forecasting model is required. In this study, we propose developing a demand forecasting model using data from the Designated Driver Service by considering normal and peak periods, such as rush hour and rush day, as prior knowledge to enhance the model performance. We propose a new methodology called Time-Series with Conditional Probability(TSCP), which combines conditional probability and time-series models to enhance performance. Extensive experiments have been conducted with real Designated Driver Service data, and the result demonstrated that our method outperforms the existing time-series models such as SARIMA, Prophet. Therefore, our study can be considered for decision-making to facilitate proactive response in Designated Driver Services.

대리운전 시장의 요금체계는 이용자의 대리운전 서비스 요청 시, 주위 대리운전 기사의 수, 대리운전 서비스 이용자 수, 날씨 등의 다양한 영향에 의해 실시간으로 변하는 Dynamic Pricing의 특징이 있다. 불확실한 변동성은 대리운전 서비스 요금을 상승시켜 고객의 이탈과 대리운전 기사의 배차거부를 유발하는 주된 원인이 되며, 이러한 문제를 해결하기 위해 적절한 수요를 예측하고 선제적으로 대응하기 위한 수요 예측모형의 도입이 요구된다. 본 연구에서는 대리운전 서비스 이력 데이터를 활용하여 지역별, 시간대별 대리운전 서비스 수요를 예측하는 모형을 제시한다. 이후 실제 대리운전 서비스 이력 데이터를 활용하여 시간과 요일에 따른 조건부 확률을 구축하고 이를 예측 모형과 결합한 Time-Series with Conditional Probability 방법론을 제안하였으며 실험을 통해 SARIMA, Prophet의 기존 시계열 모형보다 성능이 우수함을 검증하였다. 본 연구는 제안된 방법론을 통해 구축된 수요 예측 모형을 활용하여 대리운전 서비스의 단기 전략 수립에 활용할 수 있다는 시사점이 있다.