Uma Abordagem para Predição de Demanda em Sistemas de Bicicletas Compartilhadas
Sistemas de Bicicletas Compartilhadas, BSRP, Predição de Demandas, Tomada de Decisão, Gestão Estratégica.
Os Sistemas de Bicicletas Compartilhadas (SBC) têm contribuído para a melhoria da mobilidade urbana e se tornaram cada vez mais comuns nas cidades. Embora esses sistemas forneçam um transporte econômico e sustentável, melhorando o trânsito nas cidades, para o seu funcionamento é necessário uma análise dos hábitos dos usuários para que as empresas fornecedoras desse serviço possam suprir a demanda de estações com alta procura e evitar o desperdício de recursos em estações pouco utilizadas, coletando bicicletas em estações superlotadas e redistribuí-las em estações que estão com baixo estoque ou mesmo vazias. Esse problema de rebalanceamento de bicicletas (do inglês Bike Sharing Rebalancing Problem - BSRP) requer estratégias eficientes de redistribuição, que dependem muito da modelagem e previsão de demanda de aluguéis, evidenciando a relevância de abordagens que auxiliem na tomada de decisão e gestão estratégica das empresas responsáveis por esses sistemas. Neste trabalho é analisado um conjunto de dados do Capital BikeShare (Washington, D.C.), explorando a relação de condições meteorológicas e sazonais nesse serviço. Modelos de regressão e classificação foram elaborados usando algoritmos clássicos da literatura como Linear Regression (LR), Support Vector Machine (SVM), Gaussian Naive Bayes (NB), K-Nearest Neighbors (KNN), MultiLayer Perceptron (MLP), Random Forest (RF) e Decision Tree (DT). O objetivo é predizer a quantidade de aluguéis, fornecendo um parâmetro para auxiliar na redistribuição eficiente de bicicletas nos SBC. A utilização de múltiplos algoritmos também foi experimentada para a construção de comitês homogêneos e heterogêneos. Os desempenhos dos modelos preditivos gerados foram analisados usando validação cruzada de 10 partes. Os testes estatísticos de Friedman e Nemenyi foram aplicados. Além disso, foram discutidas abordagens de agrupamento das estações de aluguéis, evidenciando tais agrupamentos como uma técnica útil na melhoria do desempenho dos modelos preditivos. O melhor modelo de regressão gerado utilizou o RF e alcançou coeficiente de determinação de 0,963, enquanto que o melhor modelo de classificação elaborado foi o DT, com acurácia de 96,21%. Um cenário de aplicação e uso dos potenciais modelos preditivos foi descrito, de forma a facilitar a interpretação dos resultados da predição para os gestores desses serviços e melhorar o processo de tomada de decisão nos SBC.