Año: 2022 | Colección: Investigación | Categoría: Movilidad
14 lecturas
Como un modo de viaje conveniente, económico y ecológico, las bicicletas compartidas mejoraron enormemente la movilidad urbana. Sin embargo, a menudo es muy difícil lograr una utilización equilibrada de las bicicletas compartidas debido a la distribución asimétrica espacio-temporal de la demanda de los usuarios y al número insuficiente de bicicletas compartidas, muelles o áreas de estacionamiento. Si podemos predecir la demanda de bicicletas compartidas a corto plazo, ayudará a las agencias operativas a reequilibrar los sistemas de bicicletas compartidas de manera oportuna y eficiente. En comparación con los métodos estadísticos, los métodos de aprendizaje profundo pueden aprender automáticamente la relación entre las entradas y las salidas, lo que requiere menos suposiciones y logra una mayor precisión.
Este estudio propone un marco de red neuronal de memoria a corto plazo atencional de gráfico espacial-temporal (STGA-LSTM) para predecir la demanda de bicicletas compartidas a corto plazo a nivel de estación, utilizando conjuntos de datos de múltiples fuentes. Estos conjuntos de datos incluyen datos históricos de viajes de bicicletas compartidas, datos meteorológicos históricos, información personal de los usuarios y datos de uso del suelo. El modelo propuesto puede extraer información espacio-temporal de los sistemas de bicicletas compartidas y predecir la demanda de alquiler y devolución de bicicletas compartidas a corto plazo. Se usó una Red Convolucional de Gráficos (GCN) para extraer información espacial y se adoptó una red de Memoria a Corto Plazo Largo (LSTM) para extraer información temporal. El mecanismo de atención se centra en las dimensiones temporal y espacial para mejorar la capacidad de aprender información temporal en LSTM e información espacial en GCN.
Los resultados indican que el modelo propuesto es el más preciso en comparación con varios modelos de referencia, el mecanismo de atención puede ayudar a mejorar el rendimiento del modelo y los modelos que incluyen variables exógenas funcionan mejor que los modelos que solo consideran datos históricos de viajes.
El modelo de predicción a corto plazo propuesto se puede utilizar para ayudar a los usuarios de bicicletas compartidas a elegir mejor las rutas y ayudar a los operadores a implementar estrategias dinámicas de redistribución.
Título Original:
"Short-Term Prediction of Bike-Sharing Demand Using Multi-Source Data: A Spatial-Temporal Graph Attentional LSTM Approach"
