Resumen

Los sistemas de bicicletas compartidas (SBP) se han convertido en un elemento destacado de la red de transporte de muchas ciudades. Junto con el auge de los SBP, las ciudades se enfrentan al reto de la falta de disponibilidad de bicicletas y la escasez de muelles. Es esencial realizar operaciones de reequilibrio, cuyo éxito depende en gran medida de la predicción de la demanda de los usuarios. El objetivo de este estudio es desarrollar modelos de predicción de la demanda de los usuarios basados en los datos de alquiler, que servirán para las operaciones de reequilibrio. En primer lugar, se presentan los métodos de recogida y tratamiento de los datos pertinentes. A continuación, se examinan los patrones de uso de las bicicletas tanto desde el punto de vista de los viajes como de las estaciones, con el fin de proporcionar algunas orientaciones para la predicción de la demanda de los usuarios. A continuación, se propone una metodología que combina el análisis de clusters, una red neuronal de retropropagación (BPNN) y un análisis comparativo para predecir la demanda de los usuarios. El análisis de conglomerados se utiliza para identificar los diferentes tipos de servicio de las estaciones, el método BPNN se utiliza para establecer los modelos de predicción de la demanda para los diferentes tipos de servicio de las estaciones, y el análisis comparativo se emplea para determinar si la precisión de los modelos de predicción se mejora haciendo una distinción entre las estaciones y los días laborables/no laborables. Por último, se realiza un estudio de caso para evaluar el rendimiento de la metodología propuesta. Los resultados indican que la distinción entre estaciones y días laborables/no laborables a la hora de predecir la demanda de los usuarios puede mejorar la precisión de los modelos de predicción.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:modelo de predicción de la demanda, tipo de estación, tipo de servicios diferentes, usuario, operaciones de reequilibrio, análisis comparativo, aspectos basados, modelo de predicción, análisis de cluster, predicción de la demanda
• Keywords:demand prediction model, type of station, different services type, user, rebalancing operations, comparative analysis, based aspects, prediction model, cluster analysis, demand prediction