Smartphone-Enabled Urban Solutions: Mobility-on-Demand and - PowerPoint PPT Presentation

Smartphone-­‑Enabled ¡Urban ¡Solutions: ¡ Mobility-­‑on-­‑Demand ¡and ¡Mobility-­‑on-­‑Sale Shih-­‑Fen ¡Cheng Associate ¡Professor ¡of ¡Information ¡Systems Deputy ¡Director, ¡UNiCEN Corp ¡Lab Singapore ¡Management ¡University 2016 ¡SMU ¡Logistics ¡& ¡Supply ¡Chain ¡Symposium: ¡Urban ¡Mobility ¡& ¡Circular ¡Economy, ¡Singapore, ¡March ¡7, ¡ ¡2016

It’s ¡More ¡than ¡Just ¡Ride-­‑Hailing ¡App Mobility ¡+ ¡Crowdsourcing Crowdsourced Logistics Household ¡ Chores Mobile ¡Audit/Research

It ¡All ¡Begins ¡With…

The ¡Significance ¡of ¡the ¡iPhone ¡Era • Accelerometer ¡(2007) * ¡Sensing ¡linear ¡acceleration • A-­‑GPS ¡(iPhone ¡3G, ¡2008) • Digital ¡Compass ¡(iPhone ¡3GS, ¡2009) • Gyroscope ¡(iPhone ¡4, ¡2010)

The ¡Significance ¡of ¡the ¡iPhone ¡Era • Accelerometer ¡(2007) • A-­‑GPS ¡(iPhone ¡3G, ¡2008) * ¡Significantly ¡improve ¡location ¡accuracy • Digital ¡Compass ¡(iPhone ¡3GS, ¡2009) • Gyroscope ¡(iPhone ¡4, ¡2010)

The ¡Significance ¡of ¡the ¡iPhone ¡Era • Accelerometer ¡(2007) • A-­‑GPS ¡(iPhone ¡3G, ¡2008) • Digital ¡Compass ¡(iPhone ¡3GS, ¡2009) * ¡Get ¡true ¡north • Gyroscope ¡(iPhone ¡4, ¡2010)

The ¡Significance ¡of ¡the ¡iPhone ¡Era • Accelerometer ¡(2007) • A-­‑GPS ¡(iPhone ¡3G, ¡2008) • Digital ¡Compass ¡(iPhone ¡3GS, ¡2009) • Gyroscope ¡(iPhone ¡4, ¡2010) * ¡Sensing ¡angular ¡acceleration

Smartphone ¡Penetration 100 90 80 70 60 50 40 30 20 10 0 China Japan Korea Singapore UK USA France 2012 2013 2014 2015 Source: ¡Google ¡Consumer ¡Barometer

The ¡Big ¡Promise ¡(and ¡the ¡Big ¡Gap) Service ¡made ¡available ¡(now!) ¡as ¡you ¡need ¡it • If ¡enough ¡willing ¡workers ¡can ¡be ¡found • If ¡workers ¡know ¡where ¡to ¡situate ¡themselves

The ¡Big ¡Promise ¡(and ¡the ¡Big ¡Gap) Work ¡whenever ¡you ¡are ¡free • Yet ¡task ¡planning ¡might ¡consume ¡big ¡chunk ¡of ¡ that ¡free ¡time!

The ¡Gap: ¡How ¡Tasks ¡Are ¡Assigned • (Proximity-­‑based) ¡Push * ¡For ¡taxi ¡booking ¡service ¡and ¡most ¡ride-­‑hailing ¡App

All ¡These ¡Wasted ¡Minutes 80.0% vacancy booking-­‑ratio 70.0% 60.0% 50.0% 40.0% 30.0% 20.0% 10.0% 0.0% 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Typical ¡Weekdays

The ¡Limit ¡of ¡Individuals • Human ¡drivers ¡generate ¡traces ¡that ¡closely ¡ resemble ¡traces ¡expected ¡from ¡a ¡myopic ¡ approach ¡(ok, ¡but ¡not ¡great). 5 5 y = 0.9107x + 0.1524 R ² = 0.7044 Hour: 07:00 Hour: 19:00 9 3 7 7 4.5 4.5 . 0 = ² R 4 4 2 0 5 2 Outbound Trips (%) 3.5 Outbound Trips (%) 3.5 . 0 + x 2 3 3 5 4 8 . 0 = 2.5 2.5 y 2 2 1.5 1.5 1 1 0.5 0.5 0 0 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 Inbound Flow (%) Inbound Flow (%)

How ¡Can ¡Computation ¡Help? From ¡the ¡data: ¡the ¡more ¡you ¡strategize, ¡the ¡better ¡you ¡perform. • ��� ��� ��� ����������������� ��� ��� ��� ��� � ��� ���� ���� ���� ���� ���� ���� ���� ����� ������ 1.68 1.77 1.85 With ¡sufficient ¡computation ¡efforts, ¡our ¡algorithm ¡can ¡do ¡reasoning ¡ • with ¡infinite ¡depth. And ¡extra ¡thinking ¡pays ¡off! •

The ¡Gap: ¡How ¡Tasks ¡Are ¡Assigned • Pull

All ¡These ¡Wasted ¡Minutes For ¡“Pull-­‑based” ¡paradigm, ¡workers ¡suffer ¡from: • Having ¡to ¡browse ¡through ¡long ¡list ¡of ¡tasks.

All ¡These ¡Wasted ¡Minutes For ¡“Pull-­‑based” ¡paradigm, ¡workers ¡suffer ¡from: • Having ¡to ¡browse ¡through ¡hundreds ¡of ¡tasks. • Having ¡to ¡manually ¡construct ¡work ¡plans. ¡

All ¡These ¡Wasted ¡Minutes For ¡“Pull-­‑based” ¡paradigm, ¡workers ¡suffer ¡from: • Having ¡to ¡browse ¡through ¡hundreds ¡of ¡tasks. • Having ¡to ¡manually ¡construct ¡work ¡plans. ¡ • Not ¡able ¡to ¡plan ¡for ¡the ¡future. 8:40am 9am 12pm 8am 8:45am 12:10pm 6pm 7:30pm 6:50pm 6:15pm 1:40pm 1:30pm

TA$Ker: ¡A ¡Predictive ¡“Push” ¡Platform Historical ¡(mostly ¡indoor) ¡ mobility ¡traces Work Work 4 3 Gym Super-­‑ market 1 2 Home Home Task ¡Recommendation ¡Engine

The ¡TA$Ker Experiment • More ¡than ¡1,000 ¡SMU ¡students ¡participated • More ¡than ¡30,000 ¡tasks ¡completed ¡within ¡2 ¡months • Super-­‑user ¡phenomena: – 20% ¡users ¡performed ¡more ¡than ¡80% ¡of ¡tasks – Achieved ¡by ¡devoting ¡more ¡time – Efficiencies ¡are ¡lower ¡than ¡normal ¡user, ¡especially ¡when ¡in ¡ “Pull” ¡class ¡(25% ¡lower) • When ¡compared ¡against ¡“Pull”, ¡“Predictive ¡Push” ¡users: – Finish ¡more ¡tasks ¡(56% ¡vs ¡44%) – Incur ¡less ¡detour ¡time ¡(50% ¡less)

Some ¡Testimonies ¡ (after ¡our ¡experiment ¡ended) You ¡deprived ¡me ¡of ¡my ¡livelihood!! I ¡will ¡have ¡to ¡eat ¡instant ¡noodles ¡ everyday ¡until ¡TA$Ker opens ¡again! …

Takeaways • Mobility ¡+ ¡Crowd ¡=> ¡Mobile ¡Crowdsourcing • Workers, ¡part-­‑time ¡or ¡full-­‑time, ¡can ¡benefit ¡greatly ¡ by ¡having ¡customized ¡recommendations. – By ¡incorporating ¡spatiotemporal ¡patterns ¡of ¡workers ¡and ¡ tasks. • Reducing ¡wasted ¡time/efforts, ¡not ¡exploiting ¡ participating ¡workers. Follow ¡the ¡example ¡of ¡reCAPTCHA!