Содержание
«Яндекс.Такси» рассказал, в какие часы выгоднее заказывать такси в Москве
https://ria.ru/20171113/1508703696.html
«Яндекс.Такси» рассказал, в какие часы выгоднее заказывать такси в Москве
«Яндекс.Такси» рассказал, в какие часы выгоднее заказывать такси в Москве — РИА Новости, 03.03.2020
«Яндекс.Такси» рассказал, в какие часы выгоднее заказывать такси в Москве
Сервис онлайн-заказа такси «Яндекс.Такси» выяснил, на какое время приходится наибольшее количество заказов в Москве и когда выгоднее всего вызывать такси,… РИА Новости, 13.11.2017
2017-11-13T14:33
2017-11-13T14:33
2020-03-03T08:07
/html/head/meta[@name=’og:title’]/@content
/html/head/meta[@name=’og:description’]/@content
https://cdnn21.img.ria.ru/images/sharing/article/1508703696.jpg?15066438321583212058
россия
РИА Новости
1
5
4.7
96
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.
xn--p1ai/awards/
2017
РИА Новости
1
5
4.7
96
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
Новости
ru-RU
https://ria.ru/docs/about/copyright.html
https://xn--c1acbl2abdlkab1og.xn--p1ai/
РИА Новости
1
5
4.7
96
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
РИА Новости
1
5
4.7
96
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
РИА Новости
1
5
4.7
96
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
общество, россия
Общество, Россия
МОСКВА, 13 ноя — РИА Новости.
Сервис онлайн-заказа такси «Яндекс.Такси» выяснил, на какое время приходится наибольшее количество заказов в Москве и когда выгоднее всего вызывать такси, свидетельствует исследование компании.
3 ноября 2017, 11:31
Власти Москвы хотят помочь Пекину бороться с пробками
Как рассказали в «Яндекс.Такси», одним из важнейших факторов, влияющих на цену, является количество свободных машин, доступных в конкретное время в том районе, где находится пассажир. В часы пик таксопарки, подключенные к агрегаторам, стараются вывести на линию как можно больше водителей, однако этих мер не всегда бывает достаточно, отмечают в компании. В таких случаях алгоритм сервиса автоматически формирует коэффициент, повышающий цену поездки. После снижения спроса и увеличения свободных машин этот коэффициент уменьшается и исчезает.
По данным компании, утренний час пик наступает в столице в 8.30-8.45, а значит и повышающий коэффициент в это время самый высокий.
Лучшее время для заказа такси — 9.15 или после 10.00, говорят аналитики. Тем, кто привязан к четкому расписанию, «Яндекс.Такси» рекомендует выезжать на работу чуть раньше 8.30, например в 8.15, — в это время поездка может обойтись на 15-20% дешевле.
Вечерний час пик начинается после 18.00, когда большинство жителей Москвы завершают свой рабочий день. «За 5-10 минут до этого количество заказов резко увеличивается и остается высоким в течение примерно 50 минут. В целом спрос в вечерний час пик более равномерный, а максимальный коэффициент не такой высокий, как утром», — отмечается в исследовании. Соответственно, заказывать такси лучше за 20 минут до конца рабочего дня или после 19.00, советуют в компании.
3 ноября 2017, 17:33
Такси Подмосковья с желтыми номерами получат дополнительные привилегии
В пятницу и выходные дни спрос возрастает в основном в вечернее время и ночью. Так, в пятницу третий час пик начинается около 22.
00 и продолжается до 3.00 утра субботы. Поездок в это время меньше, чем в будние дни, но меньше и водителей, работающих на линии, поясняют эксперты. Удачное время для заказа в пятницу — 0.50, спрос в это время снижается на 10-15 минут, выяснили в «Яндекс.Такси». В субботу спрос на такси вечером и ночью выше, чем в пятницу. Пики заказов приходятся на 10-20 минут после наступления целого часа, например, в 0.10, 1.10, 2.20, рассказали специалисты.
Активно заказы растут и в плохую погоду — их количество возрастает в 3-4 раза от обычного уровня. В непогоду сервис рекомендует планировать поездки заранее.
в эти часы такси доступнее — журнал За рулем
LADA
УАЗ
Kia
Hyundai
Renault
Toyota
Volkswagen
Skoda
Nissan
ГАЗ
BMW
Mercedes-Benz
Mitsubishi
Mazda
Ford
Все марки
Специалисты проанализировали стоимость поездок и количество заказов в утренние и вечерние часы пик в Москве и составили рекомендации по тому, когда лучше всего заказывать такси, чтобы не переплачивать.
Как известно, в часы пиковых загрузок онлайн-агрегаторы такси вводят повышающие коэффициенты на поездки, стимулируя таким образом водителей свободных такси выполнять поездки в тех районах, где спрос сильнее всего. В компаниях это объясняют вынужденной мерой: в период всплеска спроса она позволяет воспользоваться такси тем, кому это необходимо, а иначе система просто не найдет для них автомобиль. После того как спрос снижается, а в районе появляется больше свободных автомобилей, повышающий коэффициент сначала снижается, а потом и вовсе убирается.
Аналитики Яндекс.Такси проанализировали всплески спроса на автомобили в утренние и вечерние часы, а также в выходные дни в Москве и составили рекомендации по тому, когда лучше всего вызывать автомобиль.
Утро
Так как в Москве в большинстве компаний рабочий день начинается в девять утра, то и пик заказов наступает в период с 8:30 до 8:45, в это время действует самый высокий коэффициент.
В Яндекс.
Такси советуют выезжать на работу чуть раньше. Например, если заказать такси на 8:15, то поездка будет стоить на 15–20% дешевле. Лучше всего тем, кому не нужно появляться в офисе к четко обозначенному времени: дешевле всего такси утром в будние дни обойдется в 9:15 и после десяти утра.
Вечер
Массовый исход из офисов в Москве начинается в шесть вечера. Соответственно, за 5–10 минут до этого времени резко возрастает количество заказов такси, причем вечером пиковая нагрузка сохраняется примерно в течение пятидесяти минут. Но в Яндекс.Такси говорят, что нагрузка в вечерние часы в будние дни более равномерная, а повышающий коэффициент ниже, чем утром.
Аналитики компании советуют либо уходить с работы пораньше либо заказывать машину не за 10, а за 20 минут до конца рабочего дня (например в 17:40). А после 19:00 повышающий коэффициент будет еще ниже, соответственно, снизится и стоимость поездки.
Выходные
Повышающие коэффициенты на такси также появляются поздним вечером и ночью по пятницам и субботам, когда люди разъезжаются из клубов и после вечеринок.
В пятницу этот пик приходится где-то на 22:00 и продолжается до трех часов ночи субботы. В это время, конечно же, совершается меньше поездок, чем в часы пик в будни, но и водителей такси на линии меньше.
Маленькая хитрость, которая позволит сэкономить: такси лучше заказывать в момент наступления целого часа или за 5–10 минут до этого. Лучшее время для заказа — 0:50, в это время спрос на 10–15 минут снижается.
В субботу вечером спрос выше, значит и коэффициенты выше. Пики приходятся на 10–20 минут после начала целого часа (например в 0:10, 1:10, 2:20). Аналитики Яндекс.Такси предположили, что связано это с тем, что компании договариваются уезжать ровно в момент наступления целого часа.
Потому и такси лучше всего заказывать за 15–20 минут до наступления полного часа (например, в 0:40–0:45). Спрос кратковременно падает, снижается и коэффициент.
Форс-мажор
В плохую погоду, когда идет дождь, снег или на улице сильный ветер, нагрузка на такси возрастает, соответственно, в течение нескольких минут количество заказов вырастает в 3–4 раза и вновь вводятся повышающие коэффициенты, так как ни один таксопарк физически не может утроить количество водителей на линии.
В таких случаях в Яндекс.Такси советуют планировать поездки заранее, с учетом прогноза погоды.
- Возможно, эта информация пригодится столичным чиновникам: дептранс решил пересадить их со служебных машин на такси.
- Яндекс также выяснил, что чаще всего забывают в такси пассажиры. Это не только бумажники, но и, например, алкоголь и даже дети!
В июле сервисы Яндекс.Такси и Uber объявили об объединении бизнеса в России, но Федеральная антимонопольная служба пока разрешения на сделку не дала.
Фото: Яндекс.Такси, instagram.com/yandex.taxi/@b0bjack
Самое дешевое время: в эти часы такси доступнее
Специалисты проанализировали стоимость поездок и количество заказов в утренние и вечерние часы пик в Москве и составили рекомендации по тому, когда лучше всего заказывать такси, чтобы не переплачивать.
Самое дешевое время: в эти часы такси доступнее
Самое дешевое время: в эти часы такси доступнее
Специалисты проанализировали стоимость поездок и количество заказов в утренние и вечерние часы пик в Москве и составили рекомендации по тому, когда лучше всего заказывать такси, чтобы не переплачивать.
Самое дешевое время: в эти часы такси доступнее
Наше новое видео
Спальное место, лазер в фарах… — чем удивил новый китайский кроссовер
Новая Лада Гранта или Веста с пробегом — что выбрать?
Эти 5 вещей должны быть в машине зимой. А у вас они есть?
Понравилась заметка? Подпишись и будешь всегда в курсе!
За рулем на Яндекс.Новости
Новости smi2.ru
Воздействие нового выхода на регулируемые транспортные рынки: данные такси Нью-Йорка
Основная статья
Традиционные службы такси уступают место компаниям, занимающимся заказом такси, таким как Uber и Lyft, во многих городах Америки и по всему миру. Это развитие частично обусловлено новыми технологиями (GPS-отслеживание через смартфоны), которые уменьшили «трение соответствия» на этих рынках: водителям и пассажирам больше не нужно физически искать торговых партнеров. Новые участники также смогли избежать местного регулирования цен и доступа.
В нашем исследовании рассматривается важность этих двух факторов — технологических инноваций и регулятивного арбитража — на рынке такси Нью-Йорка. Наше исследование является частью новой группы исследований в области экономики, которая изучает последствия технологических изменений в транспортном секторе.
Еще одно примечательное исследование, дополняющее наше, принадлежит Нику Бухгольцу, который также рассматривает контекст Нью-Йорка. В отличие от нашей работы, Бухгольц (2019) анализирует динамический поиск окрестностей нью-йоркскими таксистами: он моделирует, где находятся водители в каждый момент времени, а мы моделируем, сколько водителей находится в каждый момент времени.
.
Негибкость цен, ограниченное предложение и трудности при поиске
До того, как Uber и Lyft начали действовать в городе, все доступные медальоны (лицензии на управление желтым такси) использовались в какой-то момент в течение обычного дня, что указывало на то, что правила въезда были обязательными .
Если бы не было никаких других трений, можно было бы поэтому ожидать, что все такси будут активны, по крайней мере, в дневное время.
Но активность часто намного ниже возможностей, что подчеркивает важность понимания решений водителей такси о предложении рабочей силы. Предложение рабочей силы не может мгновенно приспособиться к рыночным условиям, поскольку водители работают в двухсменном режиме, что приводит к неделимости предложения рабочей силы.
Из-за регулирования этот рынок не отличается гибкостью цен. Эта негибкость в сочетании с ограниченным предложением медальонов и наличием соответствующих (поисковых) трений означает, что регулярные (и предсказуемые) модели изменения спроса на аттракционы в течение дня (например, в часы пик) приводят к большим колебаниям в стоимости. задержки на матчи между пассажирами и такси.
Заработок водителей и количество активных такси меняются в течение дня в зависимости от того, сколько времени водителям нужно потратить на поиск своих пассажиров.
Среднее время поиска активного такси между высадкой пассажира и посадкой следующего колеблется от 5 до 16 минут в зависимости от времени суток.
Чтобы оценить величину этих цифр, обратите внимание, что средняя продолжительность поездки составляет 12 минут. Мы сообщаем, что доля времени, в течение которого такси ездит пустым, колеблется от 30% до 70% в зависимости от времени суток. Пассажиры также ждут такси, и это время ожидания меняется в течение дня.
В то время как на рынке учебников цены служат для уравновешивания спроса и предложения, на рынке такси этот процесс балансирования осуществляется за счет времени ожидания пассажиров и времени поиска такси. В отличие от цен, эти задержки обслуживания расточительны. Часть времени простоя такси связана с неуверенностью водителей в том, где они могут найти ожидающего пассажира. Таким образом, определение процесса согласования между такси и пассажирами является ключевой особенностью анализа.
.
Сопоставление такси и пассажиров в Нью-Йорке
Мы строим модель предложения на этом рынке, а также спроса и процесса сопоставления между пассажирами и такси, чтобы отразить ключевые характеристики рынка, описанные выше.
. Затем мы оцениваем модель, используя обширные данные о рынке такси Нью-Йорка за 2011 и 2012 годы. Эти данные включают каждую поездку парка желтых такси за этот промежуток времени. Ввод данных о поездке включает стоимость проезда, чаевые, расстояние и продолжительность, а также геопространственные начальные и конечные точки поездки.
В нашей модели водители ежедневно принимают решения о входе и ежечасно останавливаются. Лицензий на управление такси (медальонов для парка желтых такси) мало, поэтому вход возможен только для неактивных медальонов. Почасовая прибыль определяется количеством совпадений между ищущими такси и ожидающими пассажирами. При прочих равных условиях увеличение количества такси увеличивает время поиска водителем следующего пассажира и снижает ожидаемый почасовой заработок.
Количество такси определяется эндогенно как часть конкурентного равновесия на этом рынке. Решения об остановке (выходе) определяются путем сравнения случайного конечного внешнего варианта со значениями продолжения, определяемыми ожидаемой почасовой оплатой за вычетом предельных затрат на вождение.
Решения о запуске (входе) являются результатом сравнения внешнего варианта и ожидаемого значения сдвига (с учетом ожидаемого оптимального поведения при остановке).
Предыдущие исследования использовали рынок такси в качестве полезной среды для изучения решений о предложении рабочей силы, поскольку водители более гибки в принятии решения о том, когда остановиться, чем работники, занятые в фирмах. Но мы показываем, что важные ограничения связаны с двухсменной структурой работы. Наша модель обеспечивает реакцию на шоки доходов, которые сильно зависят от времени их возникновения в течение дня.
В частности, мы сравниваем реакцию на однородный разряд в течение дня с характерным для каждого часа разрядом. Первый приводит к оценке эластичности 1,8, что, что интересно, не слишком далеко от числа (1,2), о котором сообщают Angrist et al (2017) из эксперимента с данными Uber. Последнее приводит к оценкам, которые варьируются от 0,9до 2,6 в зависимости от часа, при этом эластичность в начале и конце смены ниже, чем в середине смены.
.
Оценка количества и времени ожидания пассажиров
Со стороны спроса мы сталкиваемся с проблемой. Хотя мы наблюдаем за количеством совпадений, ни время ожидания пассажиров, ни количество ожидающих пассажиров в данных напрямую не наблюдаемы. Но мы можем восстановить эти переменные, используя информацию о других наблюдаемых, а также характер процесса сопоставления.
Важнейшей частью механизма, который мы используем для моделирования процесса сопоставления, является функция сопоставления. Такие функции были разработаны в макроэкономических исследованиях для изучения условий, в которых существуют соответствующие трения. Функция сопоставления — это простой способ уловить трудности, с которыми сталкиваются торговые партнеры при потреблении выгодных сделок, и она широко использовалась для изучения безработицы и использования денег.
Новшеством нашего исследования является разработка явной микромодели процесса сопоставления. В нашей среде функция сопоставления сопоставляет количество такси и пассажиров (в дополнение к другим наблюдаемым параметрам, таким как скорость движения) в число совпадений, а также значения времени поиска такси и времени ожидания пассажиров.
Мы разрабатываем явное описание географической природы процесса сопоставления, а затем с помощью моделирования восстанавливаем численное представление функции сопоставления.
Затем мы можем использовать эту информацию для определения как количества пассажиров, так и времени ожидания. В отличие от нашего исследования, эмпирические исследования по поиску и сопоставлению обычно используют известные исходные данные, такие как количество вакансий и безработных, а также наблюдаемое количество совпадений, для оценки параметров предполагаемой функции сопоставления.
Подход этого исследования состоит в том, чтобы двигаться в другом направлении, используя специальный процесс сопоставления, который определяет функцию сопоставления. Затем мы используем наблюдаемые совпадения и количество активных такси, чтобы вывести другие ключевые входные данные для функции сопоставления, то есть количество ожидающих пассажиров и время их ожидания. Интересно, что полученный нами процесс сопоставления демонстрирует возрастающую отдачу от масштаба: если количество пассажиров и количество такси удваивается, количество совпадений увеличивается более чем в два раза, а время поиска и время ожидания сокращаются.
Мы также обнаружили, что трения зависят от уровня активности. При низких уровнях активности, например, в ночное время, отдача от масштаба значительна. Но для дневных уровней активности отдача от масштаба становится практически постоянной. Эта особенность процесса сопоставления важна для понимания последствий выхода на рынок конкурирующих платформ, таких как Uber.
Имея восстановленные данные о спросе, мы переходим к оценке функции спроса с точки зрения ожидаемого времени ожидания такси (напомним, что тарифы фиксированы). Мы находим, что эластичность спроса, хотя и невелика, предполагает реакцию на время ожидания, достаточное для того, чтобы играть значительную роль в оценке последствий входа на рынок.
.
Сценарии выхода на рынок
Используя модель, мы можем рассмотреть несколько гипотетических сценариев (контрфактических) на этом рынке.
Наш первый контрфакт оценивает влияние дополнительной записи. Увеличение количества медальонов на 10% приводит к увеличению количества активных такси на 8,9%.
Причина менее чем пропорционального увеличения по сравнению с дополнительной записью заключается в том, что водители реагируют на снижение доходов, выбирая более короткие смены, что подчеркивает важность моделирования интенсивной маржи со стороны предложения.
Но прирост активности был бы намного меньше, если бы мы не включили в модель зависимость пассажиропотока от ожидаемого времени ожидания. Увеличение количества такси приводит к сокращению времени ожидания. Это приводит к увеличению количества пассажиров, что, в свою очередь, смягчает сокращение доходов, вызванное увеличением количества медальонов.
Наш следующий набор контрфактуалов касается величины согласованных трений и возможных способов их уменьшения. В частности, мы рассматриваем улучшенную технологию сопоставления в соответствии с диспетчерской системой платформы Uber и других сервисов такси.
Сначала мы рассматриваем полную противоположность модели децентрализованного принятия решений в Нью-Йорке, вводя централизованного диспетчера для всего автопарка.
Мы показываем относительно большой прирост для обеих сторон рынка за счет сокращения времени ожидания как для пассажиров, так и для такси.
Интересно, что количество активных такси увеличивается почти на такую же величину, как и в контрфакте с на 10% больше медальонов, при том, что количество медальонов осталось неизменным. Количество совпадений увеличивается на 12%, что больше, чем увеличение количества такси. Разница связана с тем, что система диспетчеризации снижает трения согласования.
Затем мы рассмотрим, что происходит в более реалистичном случае, когда диспетчерская платформа достигает лишь частичного проникновения на рынок, а остальная часть рынка функционирует в соответствии с традиционной системой уличного вызова. Мы показываем, что сегментация рынка на разных платформах создает неэффективность из-за уменьшения толщины рынка для обеих платформ.
Частичное покрытие диспетчером имеет два эффекта по сравнению с рынком без диспетчера: с одной стороны, при рассматриваемых размерах рынка частичный диспетчер является более эффективной платформой для такси и пассажиров, которые им обслуживаются; с другой стороны, сегментация рынка делает оба сегмента тоньше, что приводит к увеличению среднего расстояния между случайным такси и случайным пассажиром.
Когда мы рассматриваем случай, когда существует равное количество потенциальных такси, разделенных между диспетчерскими и децентрализованными платформами, мы обнаруживаем, что преобладает второй эффект, и, следовательно, совокупные результаты становятся хуже, чем в базовом случае. Интересно, что эффекты в дневное время сильно отличаются от ночных часов, что отражает важность исходной толщины базовой рыночной среды.
Наконец, мы рассматриваем влияние плотности: мы моделируем город, который в остальном идентичен Манхэттену, но на треть меньше по плотности; то есть такое же количество потенциальных пассажиров распределено по большей территории, охватываемой таким же количеством потенциальных такси. Мы обнаружили, что наша модель предсказывает резкие потери эффективности из-за более низкой плотности. Но эта неэффективность существенно компенсируется диспетчерской платформой, производительность которой (сравнительно) намного лучше в менее плотной среде.
.
Последствия за пределами рынка такси
Выводы, которые мы получаем из наших контрфактов, имеют более широкое значение, чем рынок такси.
Ограничения на въезд связаны с вопросом профессионального лицензирования, которое затрагивает большое количество работников в Соединенных Штатах. Например, Kleiner and Krueger (2013) сообщают, что 29% работников подлежат лицензированию.
Наши результаты также говорят о влиянии неделимости смен и поэтому имеют отношение к исследованиям гибкости организации труда. Они имеют прямое отношение к размышлениям о поиске и сопоставлении трений, которым уделяется большое внимание на рынках труда и рынке жилья.
В этом отношении наше исследование является первым, в котором предлагается явное моделирование процесса согласования как производного от трения пространственного согласования. Это пространственное моделирование могло бы быть полезной метафорой для других рынков, на которых важны соответствующие трения.
Наконец, наши результаты по конкурирующим диспетчерским платформам говорят о появляющемся массиве исследований сетевых внешних факторов и торговых платформ.
.
В этой статье кратко изложена статья Гийома Фрешетта, Алессандро Лиццери и Тобиаса Зальца «Разногласия на конкурентном регулируемом рынке: данные из службы такси», опубликованная в American Economic Review в августе 2019 года.
Гийом Фрешетт и Алессандро Лиццери из Нью-Йоркского университета. Тобиас Зальц работает в Массачусетском технологическом институте.
Моделирование спроса на такси с использованием данных GPS от такси и общественного транспорта
Аннотация: транзитная служба. В этом исследовании использовался большой набор данных глобальной системы позиционирования (GPS) от такси в Нью-Йорке, а также демографические, социально-экономические данные и данные о занятости, чтобы определить факторы, влияющие на спрос на такси. Была разработана методика измерения и картирования доступности транспорта на основе времени, необходимого для доступа к транспортному средству из определенного места и времени суток. Данные о такси были классифицированы по пунктам посадки и высадки, и была разработана гибридная кросс-классификация и регрессионная модель для оценки спроса на такси в пространстве и времени.
Исследование определило транспортную доступность, население, возраст, образование, доход и количество рабочих мест в каждом переписном районе как факторы с наибольшей объяснительной силой для прогнозирования спроса на такси. Исследование также включает сравнение стоимости проезда на такси и транзита для конкретных поездок между Пенсильванским вокзалом и каждым из трех крупных аэропортов Нью-Йорка. Модель и результаты анализа показывают, как количество пассажиров, путешествующих вместе в группе, и ценность, которую они придают своему времени, влияют на вероятность выбора такси или общественного транспорта для поездки в аэропорт. В этом отчете представлен ряд выводов, касающихся Нью-Йорка. Однако методы, разработанные в этом исследовании и продемонстрированные в этом отчете, могут быть применены в целом к городам в Соединенных Штатах и во всем мире, где доступны аналогичные данные GPS от такси и информация о расписании от общественного транспорта.
Публикации:
Авторы:
ЭРИК ГОНСАЛЕС, доктор философии.
Д-р Эрик Гонсалес в настоящее время является доцентом кафедры гражданского и экологического проектирования Массачусетского университета в Амхерсте, а ранее он был доцентом в Университете Рутгерса. Его исследовательские интересы связаны с эксплуатацией, управлением и проектированием мультимодальных транспортных систем. У него есть опыт макроскопического моделирования городских уличных сетей, а также разработки моделей и теории распределения ограниченного уличного пространства для нескольких видов транспорта. Он также имеет опыт планирования и управления системами общественного транспорта, включая системы, реагирующие на спрос. Доктор Гонсалес получил докторскую степень. в 2011 году получил степень бакалавра гражданской и экологической инженерии в Калифорнийском университете в Беркли. Он был признан выдающимся студентом Транспортного центра Калифорнийского университета в 2010–2011 годах, а в 2010 году — научным сотрудником Eno Transportation Foundation.
CI (ДЖЕССИ) ЯН, М.
С.
Си (Джесси) Ян работает аспирантом в области гражданского и экологического строительства в Университете Рутгерса, специализируясь на транспорте. Она получила степень магистра наук в области инженерии окружающей среды в Техасском университете A & M, Кингсвилл, и степень бакалавра наук в области наук об окружающей среде в Народном университете Китая. Г-жа Ян в настоящее время работает с данными GPS от такси в Нью-Йорке, чтобы изучить спрос на поездки и выбор режима. Г-жа Ян планирует стать исследователем транспорта, чтобы помочь разработать интеллектуальную, эффективную и устойчивую транспортную систему по всему миру.
ЭНДЕР ФАРУК МОРГУЛ, М.С.
Эндер Ф. Моргул работает научным сотрудником на кафедре гражданского и городского строительства Политехнического института Нью-Йоркского университета. Он получил степень бакалавра. из Университета Богазичи и M.Sc. в области гражданского строительства Университета Рутгерса. Его исследовательские интересы включают моделирование и прогнозирование поведения водителей, экономику транспорта, городские грузовые перевозки, большие данные и анализ транспортных данных на основе GPS.
Его степень магистра наук 2010 г. В диссертации исследовано динамическое ценообразование в условиях перегрузок с использованием крупномасштабного моделирования трафика..
КААН ОЗБАЙ, доктор философии.
Каан М.А. Озбай — профессор кафедры гражданского и городского строительства NYU-Poly и Центра городской науки и прогресса (CUSP). Исследовательский интерес доктора Озбея к транспорту охватывает передовые технологии и применение датчиков; управление инцидентами и чрезвычайными ситуациями; разработка методов управления дорожным движением в режиме реального времени, безопасность дорожного движения, применение искусственного интеллекта и методов исследования операций в оптимизации сети; разработка имитационных моделей транзитных и автоматизированных дорожных систем; и экономика транспорта. Он является соредактором многочисленных книг, в том числе последней книги Dynamic Traffic Control & Guidance, опубликованной Springer Verlag в серии «Комплексные социальные, экономические и инженерные сети», опубликованной в 2013 году.