No abstract

Carsharing is ana lternative to urban mobility that has been widely adopted recently. This service presents three main business models: two of these models base their services on stations while the remainder, the free-floating service, is free of fixed stations. Despite the notable advantages of carsharing, this service is prone to several problems, such as fleet imbalance due to the variance of the daily demand in large urban centers. Forecasting the demand for the service is a key task to deal with this issue. In this sense, in this work, we analyze the use of well-known techniques to forecast a carsharing service demand. More in deep, we evaluate the use of the Long Short-Term Memory (LSTM) and Prophet techniques to predict the demand of three real carsharing services. Moreover, we also evaluate seven state-of-the-art forecasting models on a given free-floating carsharing service, highlighting the potentials of each technique. In addition to historical carsharing service data, we have also used climatic series to enhance the forecasting. Indeed, the results of our analysis have shown that the addition of meteorological data improved the models’ performance. In this case, the mean absolute error of LSTM may fall by half, when using the climate data. When considering the free-floating carsharing service, and prediction for the short-term (i.e., 12 hours), the boosting algorithms (e.g. XGBoost, Catboost, and LightGBM) present superior performance, with less than 20% of mean absolute error when compared to the next best-ranked model (Prophet). On the other hand, Prophet performed better for predictions conducted on long-term periods.

O compartilhamento de veículos é alternativa para a mobilidade urbana que vem sendo largamente adotada. Porém, essa abordagem está sujeita a problemas, como desbalanceamento da frota ao longo do dia, por conta de demandas variadas em grandes centros urbanos. Neste trabalho aplicamos duas técnicas de séries temporais, o LSTM e o Prophet, para inferir a demanda de três serviços reais de compartilhamento de veículos. Além dos dados históricos, atributos climáticos também foram considerados numa das aplicações do LSTM. Como resultado, foi observado que a adição de dados meteorológicos melhorou o desempenho do modelo: um MAE (Erro Absoluto Médio) médio de aproximadamente 6,01% é obtido com os dados de demanda, enquanto um MAE de 5,9% é observado quando adiciona-se os dados climáticos. Também é possível notar que o desempenho do LSTM é melhor do que o obtido pelo Prophet (MAE médio igual a 10,4%) para as bases de dados adotadas aqui e considerando apenas a demanda dos serviços.

A compreensão da mobilidade nos espaços urbanos é útil para a criação de cidades mais inteligentes e sustentáveis. Cada vez mais, o estudo da mobilidade urbana se torna alvo de pesquisas em diversas áreas do conhecimento. No entanto, um problema associado a esse tipo de estudo é a aquisição de dados acurados e atuais. Atualmente, existem serviços de compartilhamento de veículos que agregam maior dinamismo ao transporte nas cidades. Esses serviços podem ser classificados de acordo com seus modos de operação: uma via, duas vias e flutuante. Serviços de uma via e flutuante, ocasionalmente apresentam um problema associado ao desbalanceamento de veículos em sua região de atuação. Por exemplo, devido a uma demanda elevada de viagens de saída de determinada região, e a uma demanda de entrada não equivalente, pode-se ocorrer um desabastecimento em determinados locais. Assim, neste trabalho, foi caracterizado um sistema de compartilhamento de veículo de uma via que operam em Vancouver (Canadá) e regiões próximas. No modelo de uma via estudado, um usuário retira um veículo de uma estação base e pode deixa-lo em qualquer outra estação e também em estacionamentos públicos que cumpram determinados critérios. Este estudo aborda a temática da realocação de veículos, além de revelar padrões de uso e demanda dos usuários desse serviço. Foram destacadas características e discussões que dão suporte a resolução do problema abordado. Finalmente, acredita-se que este estudo é útil para o entendimento desse tipo de problema e contribui para a evolução desses sistemas.

Car-sharing is an alternative to urban mobility that has been widely adopted. However, this approach is prone to several problems, such as fleet imbalance, due to the variance of the daily demand in large urban centers. In this work, we apply two time series techniques, namely, Long Short-Term Memory (LSTM) and Prophet, to infer the demand for three real car-sharing services. We also apply several state-of-the-art models on free-floating data in order to get a better understanding of what works best for this type of data. In addition to historical data, we also use climatic attributes in LSTM applications. As a result, the addition of meteorological data improved the model’s performance, especially on Evo: an average Mean Absolute Error (MAE) of approximately 61.13 travels was obtained with the demand data on Evo, while MAE equals 32.72 travels was observed when adding the climatic data, the other datasets also improved but none other improved this much. For the free-floating data test, we got the Boosting Algorithms (XGBoost, Catboost, and LightGBM) got the best performance short term, the worst one has an improvement of around 22% of MAE over the next best-ranked (Prophet). Meanwhile in the long term Prophet got the best MAE result, around 22.5% better than the second-best (LSTM).