Previsión de la demanda de bicicletas compartidas mediante aprendizaje automático
DOI:
https://doi.org/10.62161/sauc.v11.6024Palabras clave:
Bicicletas compartidas, Previsión de la demanda, Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje automáticoResumen
Los sistemas de bicicletas compartidas funcionan mejor cuando los usuarios pueden contar con encontrar una bicicleta y un aparcamiento libre. Esa simple expectativa es difícil de cumplir durante las horas punta y los eventos especiales. Describimos un proceso práctico de previsión de la demanda a corto plazo creado mediante aprendizaje automático (ML) e implementado en Valladolid, España, como parte del proyecto SPINE financiado por la UE. Utilizando registros anónimos de una estación a otra del sistema de bicicletas compartidas de la ciudad, generamos previsiones de 60 minutos y elevamos esos pronósticos a los paneles de control de operaciones. Además, se evalúan estrategias de reequilibrio en un entorno de simulación. Resumimos el flujo de datos y la arquitectura del modelo, mostramos resultados representativos a nivel de red y describimos cómo el operador de bicicletas compartidas puede utilizar el sistema para resolver cuestiones diarias. Concluimos con todo lo aprendido y las prioridades a adoptar en los siguientes pasos.
Descargas
Estadísticas globales ℹ️
|
37
Visualizaciones
|
17
Descargas
|
|
54
Total
|
|
Citas
Gammelli, D., Wang, Y., Prak, D., Rodrigues, F., Minner, S., & Pereira, F. C. (2022). Predictive and prescriptive performance of bike-sharing demand forecasts for inventory management. Transportation Research Part C: Emerging Technologies, 138, 103571. https://doi.org/10.1016/j.trc.2022.103571
Gao, C., & Chen, Y. (2022). Using machine learning methods to predict demand for bike sharing. In J. L. Stienmetz, B. Ferrer-Rosell, & D. Massimo (Eds.), Information and Communication Technologies in Tourism 2022 (pp. 282–296). Springer. https://doi.org/10.1007/978-3-030-94751-4_25
Jiang, W. (2022). Bike sharing usage prediction with deep learning: A survey. Neural Computing and Applications, 34, 15369–15385. https://doi.org/10.1007/s00521-022-07380-5
Li, X., Xu, Y., Zhang, X., Shi, W., Yue, Y., & Li, Q. (2023). Improving short-term bike sharing demand forecast through an irregular convolutional neural network. Transportation Research Part C: Emerging Technologies, 147, 103984. https://doi.org/10.1016/j.trc.2022.103984.
Martín, I., Tympakanaki, A., Cantú-Ros, O. G., Burrieza-Galán, J., Casas, J., Narayanan, S., Ayfantopoulou, G., Antoniou, C., & Maleas, Z. (2023). Data-driven modelling and simulation evaluation of shared mobility services: A case study for bike-sharing in Madrid. 102nd Annual Meeting of the Transportation Research Board. Washington, DC.
Peláez-Rodríguez, C., Pérez-Aracil, J., Fister, D., Torres-López, R., & Salcedo-Sanz, S. (2024). Bike sharing and cable car demand forecasting using machine learning and deep learning multivariate time series approaches. Expert Systems with Applications, 238, 122264. https://doi.org/10.1016/j.eswa.2023.122264
Qiao, S., Han, N., Huang, J., Yue, K., Mao, R., Shu, H., He, Q., & Wu, X. (2021). A dynamic convolutional neural network based shared-bike demand forecasting model. ACM Transactions on Intelligent Systems and Technology, 12(6), Article 70. https://doi.org/10.1145/3447988
Subramanian, M., Cho, J., Veerappampalayam Easwaramoorthy, S., Murugesan, A., & Chinnasamy, R. (2023). Enhancing sustainable transportation: AI-driven bike demand forecasting in smart cities. Sustainability, 15(18), 13840. https://doi.org/10.3390/su151813840
Sohrabi, S., Paleti, R., Balan, L., & Cetin, M. (2020). Real-time prediction of public bike sharing system demand using generalized extreme value count model. Transportation Research Part A: Policy and Practice, 133, 325–336. https://doi.org/10.1016/j.tra.2020.02.001
Yang, Y., Heppenstall, A., Turner, A., & Comber, A. (2020). Using graph structural information about flows to enhance short-term demand prediction in bike-sharing systems. Computers, Environment and Urban Systems, 83, 101521. https://doi.org/10.1016/j.compenvurbsys.2020.101521
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
