Predicción del uso de bicicletas compartidas dependiendo de las condiciones meteorológicas a través de metodologías de aprendizaje automático

Abstract

Los servicios de bicicletas compartidas son una realidad ecológica cada día más generalizada, que contribuye a la disminución del uso vehículos particulares. Este fenómeno está ocurriendo en todo tipo de ciudades. Los sistemas de bicicletas compartidas no se limitan a la creación de una infraestructura, estaciones de alquiler, y la disposición de unos medios de transporte, la flota de bicicletas. Estos sistemas necesitan además de una gran cantidad de servicios de soporte: servicios internos de oficina, mantenimiento cíclico de las bicicletas, continua redistribución de las bicicletas entre las diversas áreas de la ciudad, etc. La organización de muchos de estos servicios de apoyo está basarse en el número de bicicletas circulantes y, por lo tanto, una previsión precisa de la demanda puede proporcionar una ayuda considerable para optimizar los gastos que el proveedor del servicio debe asumir. La utilización de las bicicletas, y la movilidad en general, es un fenómeno que sigue un patrón: la intensidad de viajes es mayor en los días laborales, concentrándose alrededor de las horas pico, mientras en los días festivos el uso es menor y más estable a lo largo del día. Entre los diferentes medios de transporte, la bicicleta es la que más está influenciada por el clima, por lo que resulta interesante aprovechar los datos climáticos para obtener una previsión más precisa de la utilización de bicis compartidas. Este trabajo trata de estudiar, adaptar y aplicar algoritmos de aprendizaje automático a una base de datos real, constituida por dos años de observaciones sobre el número de bicicletas compartidas alquiladas en Londres y las condiciones atmosféricas de la ciudad. Estudiar e interpretar la correlación entre las condiciones climáticas y el número de bicicletas alquiladas permite estimar el uso de éstas basándose en previsiones meteorológicas, lo que proporciona un ayuda en la programación de todos los servicios de soporte, incluyendo la redistribución de las bicicletas y las oficinas de atención al cliente. El alcance del trabajo incluye el análisis de los datos disponibles, con especial énfasis en los sesgos que podrían afectar negativamente al resultado de los algoritmos predictivos, y el desarrollo de herramientas para modificarlos y manejarlos. Entre los algoritmos de aprendizaje automático, se ha puesto un mayor enfoque en los bosques aleatorios y en las redes neuronales.