Técnicas inteligentes na previsão de demanda em sistemas de compartilhamento de bicicletas

Página do item simplificado
dc.contributor.advisorSilva, Alisson Marques da
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3856358583630209
dc.contributor.authorCampos, Natália da Mata
dc.contributor.authorLatteshttp://lattes.cnpq.br/8144676319993082
dc.contributor.refereeDias, Thiago Magela Rodrigues
dc.contributor.refereeMenezes, Gustavo Campos
dc.contributor.refereeRibeiro Júnior, José Geraldo
dc.contributor.refereeSilva, Alisson Marques da
dc.date.accessioned2025-04-30T18:41:50Z
dc.date.available2025-04-30T18:41:50Z
dc.date.issued2025-01-30
dc.description.abstractNos últimos anos, os sistemas de bicicletas compartilhadas evoluíram significativamente, desde iniciativas com bicicletas gratuitas para uso comum, passando por estações onde o aluguel era gerenciado presencialmente por atendentes, até os sistemas tecnologicamente avançados que predominam nas cidades atualmente. Apesar dessas inovações, o objetivo principal dos sistemas de compartilhamento de bicicletas permanece inalterado: facilitar que os usuários retirem uma bicicleta em um local desejado e a devolvam em outro, tornando esse meio de transporte mais prático e acessível. Com o crescimento da demanda, um problema recorrente se torna evidente: o desequilíbrio entre a procura dos usuários e a oferta de bicicletas. A indisponibilidade do serviço em determinadas estações leva os usuários a buscarem alternativas de transporte, o que pode comprometer o sucesso e a expansão desses sistemas. Por outro lado, investimentos em infraestrutura e novas bicicletas podem não ser financeiramente vantajosos se a operação não atender à demanda de forma eficiente. Além disso, a má redistribuição de bicicletas e ineficiência operacional podem aumentar as emissões de carbono, já que os usuários recorrem a meios de transporte motorizados. Esse cenário destaca a importância de desenvolver técnicas que minimizem a discrepância entre a procura e a disponibilidade de bicicletas. Nesse contexto, o presente trabalho propõe uma nova abordagem para prever a demanda de usuários por bicicletas utilizando dados históricos de deslocamentos e informações meteorológicas. Para selecionar os atributos mais relevantes, é empregada a técnica de Eliminação Recursiva de Atributos (RFE). A previsão da demanda é realizada por modelos tradicionais, como Rede Neural Artificial, Random Forest, Support Vector Machine, Árvore de Decisão e Regressão Linear, e também por modelos evolutivos, como ALMMo, eNFN, eFCE e eFLS. Os experimentos computacionais realizados permitiram comparar o desempenho das abordagens propostas. Os resultados obtidos indicam que a abordagem apresentada é uma alternativa viável eficaz para prever a demanda de bicicletas em sistemas de compartilhamento.
dc.description.abstractotherIn recent years, bike-sharing systems have evolved significantly from distributing free bikes for public use to stations where rentals were managed by an attendant to the advanced technology systems that are popular in today’s cities. Despite these changes, the main objective of bike-sharing systems has remained: to make it easier for users to pick up a bike at a desired location and return it to another, making this means of transportation more practical and accessible. As this demand increases, a recurring problem becomes clearer: the relationship between user demand and the supply of bikes. The lack of service availability at stations causes users to opt for alternative transportation options, thus hindering the growth of the bike-sharing system. However, investments in infrastructure and bicycles may only generate financial returns if demand is adequately met. Otherwise, inefficiencies in system operation and poor redistribution of bicycles may result in higher carbon emissions, as there will be an increase in the use of alternative motorized transportation. This scenario suggests the need to develop techniques that reduce the gap between user demand and the number of bicycles available to meet this demand. In this context, this paper presents a new approach to forecasting user demand for bicycles. The proposed approach uses historical data on bicycle trips and weather information. The RFE method is used to select the most relevant attributes. Five intelligent regression techniques are evaluated to make the prediction: Artificial Neural Network, Random Forest, Support Vector Machine, Decision Tree, and Linear Regression. Four evolving fuzzy systems were also used to predict ALMMo, eNFN, eFCE, and eFLS. Computational experiments were conducted to compare the performance of the proposed approach. The results suggest that the proposed approach is a viable alternative to forecast bicycle demand.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1332
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Automação e Sistemas
dc.subjectSistemas inteligentes de controle
dc.subjectPrevisão
dc.subjectBicicleta
dc.subjectRegressão
dc.subjectSistemas fuzzy
dc.titleTécnicas inteligentes na previsão de demanda em sistemas de compartilhamento de bicicletas
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Técnicas inteligentes na previsão de demanda em sistemas de compartilhamento de bicicletas.pdf
Tamanho:
2.15 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado Profissional em Automação e Sistemas