Predição da Procura de Bicicletas para Otimizar o Rebalanceamento das Bicicletas Partilhadas em Lisboa

• Autor(a) principal: Afonso, Ana Sofia Lopes
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/138800
• topic: Sistemas de Bibicletas Partilhadas; Análise de Dados; Séries Temporais; Técnicas de Clustering; Rebalanceamento; Previsão da procura de bicicletas; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

Com o desenvolvimento urbano nas cidades, os sistemas de bicicletas partilhadas têm vindo a ser cada vez mais utilizados como forma de evitar o trânsito causado pelos au- tomóveis, sendo uma opção que promove a mobilidade sustentável, contribuindo para redução do tráfego automóvel e diminuição da poluição nas grandes cidades. A utilização destes sistemas apresenta problemas de desequilíbrio na disponibilidade de bicicletas e docas para alugar e devolver bicicletas, respetivamente, o que torna o ser- viço insatisfatório. O rebalanceamento das estações na rede tem sido a solução utilizada para tentar minimizar este problema, através da redistribuição de bicicletas pela rede para evitar estações vazias ou cheias, que impossibilitam o aluguer e entrega das mesmas, respetivamente. No entanto, este processo pode ser melhorado, para evitar viagens des- necessárias por parte dos funcionários e, por outro lado, para diminuir o tempo em que uma estação se encontra vazia ou cheia. De forma a otimizar este processo, podem ser utilizadas técnicas de previsão da quan- tidade de bicicletas nas estações sendo possível perceber quais as que necessitam de rebalanceamento e quando este é necessário. Com base em dados disponibilizados pela Câmara Municipal de Lisboa relativos às bicicletas que se encontram nas estações bem como às viagens que ocorreram na rede de bicicletas partilhadas no ano de 2018, foi efetuado o estudo dos padrões diários de enchimento e esvaziamento para cada estação. Foram utilizados algoritmos de clustering para agrupar as estações da Gira de acordo com variáveis temporais e espaciais, de forma a encontrar estações com características e padrões semelhantes de rácio, partidas e chegadas, localização e número de docas. Foi levada a cabo uma análise com o objetivo de detetar o rebalanceamento nos dados, de forma a poder remover essa influência dos dados e ser possível o desenvolvimento de modelos preditivos sem qualquer influência de rebalanceamento. Foram desenvolvidos modelos preditivos específicos para cada estação, tendo sido efetuado um processo de validação aquando do qual foram utilizados diversos parâmetros, tendo sido escolhidos aqueles que minimizam o erro. Finalmente, foi levada a cabo uma análise dos momentos em que não há viagens na rede, de forma a compreender se tal se deve à inexistência de clientes ou ao facto das estações estarem cheias ou vazias.