Mejora del transporte sostenible: Previsión de la demanda de bicicletas impulsada por IA en ciudades inteligentes

Debido a las restricciones ecológicas mundiales, las ciudades, y en particular el transporte urbano, deben optar por soluciones ecológicas. Los sistemas sostenibles de uso compartido de bicicletas (bike-sharing systems, BSS) se han convertido en un elemento importante de la infraestructura mundial de transporte como alternativa a los automóviles propulsados por combustibles fósiles en las áreas metropolitanas. Sin embargo, la ubicación de los aparcamientos para bicicletas depende de la accesibilidad a los carriles bici, la densidad de población, la dificultad de movilidad en bicicleta, el coste de los desplazamientos, la dispersión de los aparcamientos y el desequilibrio de las rutas.

El objetivo de este estudio es comparar el rendimiento de varias series temporales y algoritmos de aprendizaje automático para predecir la demanda de bicicletas utilizando un registro histórico de dos años del sistema Capital Bikeshare en Washington, DC, Estados Unidos. En concreto, los algoritmos probados son LSTM, GRU, RF, ARIMA y SARIMA, y su rendimiento se mide utilizando las métricas MSE, MAE y RMSE.

Según el estudio, GRU obtuvo los mejores resultados, y RF también produjo predicciones razonablemente precisas. Los modelos ARIMA y SARIMA produjeron predicciones menos precisas, probablemente debido a sus supuestos de linealidad y estacionariedad de los datos.

En resumen, esta investigación ofrece una visión significativa de la eficacia de diversos algoritmos en la previsión de la demanda de bicicletas, contribuyendo así a la investigación futura en este campo.

Título Original:

"Enhancing Sustainable Transportation: AI-Driven Bike Demand Forecasting in Smart Cities"

Autor/es: