| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.09 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Bike sharing programs represent the future of mobility, contributing to the creation of a ”green” economy and a more sustainable future. Providing the city with a stable and accurate supply of bicycles is a major concern for the city of Seoul. The objective of this research is to provide useful insights on how effectively forecast bike sharing demand through automated processes. Side goals are related with the difference between models’ performances as well as with drawing causal effects. Examining the public rented bicycles in the city, time series forecasting is imple mented through different methods, exploring both parametric and non parametric models such as Seasonal ARIMAs with exogenous variables, Multiple Linear Re gression and Support Vector Regression. This study takes into consideration mostly weather-related features, consistently with previous literature. Rides are intuitively influenced by features like temperature as well as by time effects that occur in certain periods of the year. After inspecting the different relationship between response variable and features, models were fit and tested. Consistently with regression errors measured on test set, SVR can be considered the best model for the aim of this research.
Os sistemas de partilha de bicicletas representam o futuro da mobilidade, contribuindo para a criação de uma economia “verde” e para um futuro mais sustentável. Neste âmbito, é preocupação da cidade de Seoul assegurar uma oferta estável e adequada de bicicletas. O principal objetivo desta investigação é providenciar resultados úteis sobre como prever a procura de bicicletas partilhadas com recurso a métodos automáticos. Os objetivos secundários passam pela análise comparada de performance dos vários modelos preditivos considerados e pela identificação de efeitos causais. Com base em dados sobre a partilha de bicicletas em Seoul, foram implementados diferentes modelos paramétricos e não paramétricos de séries cronológicas, incluindo ARIMA sazonais, regressões lineares múltiplas e de vetores de suporte. Em coerência com a literatura existente sobre o tema, foram tidas em consideração variáveis relacionadas com o estado do tempo meteorológico. De facto, as viagens de bicicleta são influenciadas por fatores como a temperatura, bem como por efeitos que ocorrem em certas épocas do ano. Após a exploração das relações entre as variáveis dependente e independentes, foram estimados e testados diferentes modelos. De acordo com os erros de previsão medidos na subamostra de teste, as regressões de vetores de suporte parecem ser a melhor aproximação para prever a procura por bicicletas partilhadas.
Os sistemas de partilha de bicicletas representam o futuro da mobilidade, contribuindo para a criação de uma economia “verde” e para um futuro mais sustentável. Neste âmbito, é preocupação da cidade de Seoul assegurar uma oferta estável e adequada de bicicletas. O principal objetivo desta investigação é providenciar resultados úteis sobre como prever a procura de bicicletas partilhadas com recurso a métodos automáticos. Os objetivos secundários passam pela análise comparada de performance dos vários modelos preditivos considerados e pela identificação de efeitos causais. Com base em dados sobre a partilha de bicicletas em Seoul, foram implementados diferentes modelos paramétricos e não paramétricos de séries cronológicas, incluindo ARIMA sazonais, regressões lineares múltiplas e de vetores de suporte. Em coerência com a literatura existente sobre o tema, foram tidas em consideração variáveis relacionadas com o estado do tempo meteorológico. De facto, as viagens de bicicleta são influenciadas por fatores como a temperatura, bem como por efeitos que ocorrem em certas épocas do ano. Após a exploração das relações entre as variáveis dependente e independentes, foram estimados e testados diferentes modelos. De acordo com os erros de previsão medidos na subamostra de teste, as regressões de vetores de suporte parecem ser a melhor aproximação para prever a procura por bicicletas partilhadas.
Description
Keywords
Time series Econometrics Machine learning Forecasting Séries cronológicas Econometria Aprendizagem automática Previsão