Resumen

Dado que el número de bicicletas es fundamental para el desarrollo sostenible del PBS sin puerto, esta investigación practicó la introducción de un enfoque de aprendizaje automático para la gestión de la cantidad utilizando datos de operación de bicicletas OFO en Shenzhen. En primer lugar, se utilizaron dos algoritmos de agrupación para identificar el área de recogida de bicicletas, y se analizaron el número de bicicletas disponibles y el coeficiente de variación del número de bicicletas disponibles en cada tipo de área de recogida de bicicletas. En segundo lugar, se compararon cinco algoritmos de clasificación en cuanto a la precisión para distinguir el tipo de zonas de concentración de bicicletas utilizando 25 factores de impacto. Por último, se exploró la aplicación de los conocimientos adquiridos a partir de los datos existentes sobre el funcionamiento de las bicicletas sin conductor para orientar la planificación y gestión del número de bicicletas públicas. Se constató lo siguiente (1) Existían 492 zonas de recogida de bicicletas OFO que pueden dividirse en cuatro tipos: altamente ineficientes, normalmente ineficientes, altamente eficientes y normalmente eficientes. Las zonas de alta ineficiencia y normal ineficiencia recogían unas 110.000 bicicletas de bajo uso. (2) Un mayor número de tipos de zonas de recogida de bicicletas afectará a la precisión del algoritmo de clasificación. De los cinco algoritmos de clasificación, la clasificación de bosque aleatorio fue la que obtuvo mejores resultados en la identificación de los tipos de zonas de recogida de bicicletas, con una precisión superior al 75%. (3) Existen diferencias obvias en las características de 25 factores de impacto en cuatro tipos de áreas de encuentro de ciclistas. Es factible utilizar estos factores para predecir el tipo de área con el fin de optimizar el número de bicicletas disponibles, reducir los costes operativos y mejorar la eficiencia de utilización. Este trabajo ayuda a los operadores y al gobierno a comprender las características de los PBS sin puerto y contribuye a promover el desarrollo sostenible a largo plazo del sistema mediante un enfoque de aprendizaje automático.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:área de recogida de bicicletas, áreas de recogida de bicicletas, precisión, algoritmos de clasificación, dockless pbs, factores de impacto, desarrollo sostenible, áreas de recogida de bicicletas ofo, datos de funcionamiento de bicicletas ofo, variación del número de bicicletas disponibles
• Keywords:bicycle gathering area, bicycle gathering areas, accuracy, classification algorithms, dockless pbs, impact factors, sustainable development, ofo bicycle gathering areas, ofo bike operation data, available bike number variation