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

Abstract

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.

With urban development in cities, shared bicycle systems are increasingly used as a way to avoid traffic caused by cars, being an option that promotes sustainable mobility and contributes for traffic and pollution reduction in urban areas. These systems present imbalance problems when it comes to bicycle and dock avail- abity, which disable users from renting or returning bicycles, respetively, causing the service to be unsatisfactory. The bike relabancing process in the system has been the current go to solution in order to try to solve the imbalance issue. This consists of redis- tributing bikes across stations in the network so that each station can have an optimal quantity of bicycles, which prevents stations from becoming empty or full which, in turn, disables the users to rent or deliver bikes, respectively. However, this process can be im- proved to avoid unecessary rebalancing trips and minimize the amount of time stations are imbalanced. In order for this process to be optimized, forecasting techniques can be used to pre- dict the amount of bikes in each station, making it possible to understand which stations require rebalancing, before such an event occurs. Based on data provided by the Lisbon City Council regarding the number of bicycles found at the stations, as well as trips that occurred on the shared bicycle network in 2018, the study of daily filling standards was carried out in order to understand when the stations are full or empty. In order to characterize Gira stations, clustering algorithms were used to group them according to temporal and spatial variables, in order to find stations with similar charac- teristics and patterns of ratio, departures and arrivals, location and number of docks. An analysis was carried out in order to detect rebalancing in the data, in order to be able to remove this influence from the data and to enable the development of predictive models without any rebalancing influence. Specific predictive models were developed for each station, after a validation process during which several parameters were used, and those whose metrics had a lower value were chosen. Finally, an analysis was carried out in order to understand if the moments when there are no bicycle rentals on the network is due to a lack of customers or the fact that the stations are either full or empty.