Predicción del uso de bicis compartidas dependiendo de las condiciones climáticas del día

Abstract

En este Trabajo Fin de Máster se desarrollan algoritmos de aprendizaje automático (“machine learning”) con el objetivo de hacer previsiones sobre el utilizo de un sistema de bicicletas compartidas basándose en las condiciones meteorológicas del día. Estos sistemas, que son una componente cada día más importante de la movilidad urbana, necesitan varios sistemas de soporte para que el servicio pueda ser proporcionado fiablemente a los ciudadanos: mejores previsiones permiten de incrementar su eficiencia. A través de los algoritmos de aprendizaje automático se investiga la compleja relación que une los datos meteorológicos y el calendario con el número de bicis alquiladas, empleando herramientas de aprendizaje supervisado: los algoritmos aprenden a prever el parámetro deseado a través del análisis de un elevado número de ejemplos históricos, contenidos en la base de datos disponible: dicha base se compone de dos años de mediciones del número de bicis alquiladas en Londres y las condiciones climáticas que afectaban la ciudad durante ese periodo. El desarrollo y la ejecución práctica de los algoritmos se realiza a través del lenguaje de programación Pythony sus varias librerías, que proporcionan herramientas útiles tanto en las primeras fases de análisis de los datos como en la generación de previsiones.

This Final Thesis presents the development of machine learning algorithm saimed at forecasting the use of a bike sharing service on the basis of the weather conditions. These services, which are more and more important in the urban mobility, require many supporting services to bereliably provided to the citizens: better forecasts allow to improve the overall efficiency.The machine learning algorithms investigate the complex relations which exists between weather conditions, the calendar and the number of rented bikes, leveraging on the supervised learning: the algorithms learn to predict the desired parameter trough the analysis of a huge number of historic examples, contained in the available data base: this database contains two years of records of the number of bikes rented in London and the weather conditions that characterized the city in this period of time.The development and the execution of the algorithms are based on the Python language and its libraries, which provide use ful tools both in the first phases of data analysis and in the building of previsions.