With the trend toward the use of large-scale vehicle probe data, an urban-scale analysis can now provide useful information for taxi drivers and passengers. Unfortunately, traffic congestion has become a critical problem in urban cities. Road traffic congestion reduces productivity in transportation services, and the daily profit earned is consequently reduced. This is opposite to the cost of living, which is increasing rapidly. Therefore, these issues are causing difficulties in all occupations in terms of managing daily expenses, particularly for taxi drivers. The taxi driving is classified as low income compared to other occupations. Such facts are a symbol of economic inefficiency. To this end, this study aims to assist taxi agencies and the government in improving taxi driver profits in Bangkok using large-scale data. To deal with these large-scale data, we propose a big data-driven model. With this model, we first calculate costs using a cost–distance algorithm and trip reconstruction. The data are then modeled to understand distance-based profits with respect to the departure time and traffic conditions. Finally, several cost predictive models using machine learning are evaluated using the ground truth from 50 taxis for a 1-month period. The experiment results show that more frequent trips over a short distance yield higher profits than long-distance trips. Finally, a solution to improve taxi driver profits is determined. We also compare the advantages and disadvantages of a unified solution.

随着使用大规模车辆探测数据的趋势，城市规模的分析现在可以为出租车司机和乘客提供有用的信息。不幸的是，交通拥堵已经成为城市中的关键问题。道路交通拥堵降低了运输服务的生产率，因此减少了每日获利。这与生活成本迅速增加相反。因此，这些问题在管理日常开支方面，特别是出租车司机，在所有职业中都造成了困难。与其他职业相比，出租车驾驶属于低收入类别。这些事实是经济效率低下的象征。为此，本研究旨在使用大规模数据帮助出租车公司和政府提高曼谷出租车司机的利润。为了处理这些大规模数据，我们提出了一个大数据驱动模型。使用该模型，我们首先使用成本-距离算法和行程重构来计算成本。然后对数据进行建模，以了解相对于出发时间和交通状况的基于距离的利润。最后，在一个月的时间里，使用50辆出租车的地面实况评估了几种使用机器学习的成本预测模型。实验结果表明，短途旅行的频率更高，而长途旅行的利润更高。最后，确定提高出租车司机利润的解决方案。我们还比较了统一解决方案的优缺点。然后对数据进行建模，以了解相对于出发时间和交通状况的基于距离的利润。最后，在一个月的时间里，使用50辆出租车的地面实况评估了几种使用机器学习的成本预测模型。实验结果表明，短途旅行的频率更高，而长途旅行的利润更高。最后，确定提高出租车司机利润的解决方案。我们还比较了统一解决方案的优缺点。然后对数据进行建模，以了解相对于出发时间和交通状况的基于距离的利润。最后，在一个月的时间内，使用来自50辆出租车的地面实况评估了几种使用机器学习的成本预测模型。实验结果表明，短途旅行的频率更高，而长途旅行的利润更高。最后，确定提高出租车司机利润的解决方案。我们还比较了统一解决方案的优缺点。实验结果表明，短途旅行的频率更高，而长途旅行的利润更高。最后，确定提高出租车司机利润的解决方案。我们还比较了统一解决方案的优缺点。实验结果表明，短途旅行的频率更高，而长途旅行的利润更高。最后，确定提高出租车司机利润的解决方案。我们还比较了统一解决方案的优缺点。