Predição de Séries Temporais de Demanda em Modelos de Compartilhamento de Veículos para Modelos Uni e Multi Variáveis

• Victor Aquiles Soares de Barros Alencar Universidade Federal de Juiz de Fora
• Lucas Ribeiro Pessamilio Universidade Federal de Juiz de Fora
• Felipe Rooke da Silva Universidade Federal de Juiz de Fora http://orcid.org/0000-0001-5625-2694
• Heder Soares Bernardino Universidade Federal de Juiz de Fora
• Alex Borges Vieira Universidade Federal de Juiz de Fora

DOI: https://doi.org/10.5753/courb.2020.12355

Resumo

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.

Palavras-chave: Séries Temporais, Car-sharing, Mobilidade Urbana

Referências

Alencar, V. A., Rooke, F., Cocca, M., Vassio, L., Almeida, J., and Vieira, A. B. (2019).Characterizing client usage patterns and service demand for car-sharing systems. Information Systems, page 101448.

Boldrini, C., Bruno, R., and Conti, M. (2016). Characterising demand and usage patterns in a large station-based car sharing system. In Computer Communications Workshops (INFOCOM WKSHPS), 2016 IEEE Conference on, pages 572-577. IEEE.

Cocca, M., Teixeira, D., Vassio, L., Mellia, M., Almeida, J. M., and Couto da Silva, A. P.(2020). On car-sharing usage prediction with open socio-demographic data. Electronics, 9(1):72.

Hamari, J., Sjóklint, M., and Ukkonen, A. (2016). The sharing economy: Why people participate in collaborative consumption. Journal of the association for information science and technology, 67(9):2047-2059.

Laptev, N., Yosinski, J., Li, L. E., and Smyl, S. (2017). Time-series extreme event forecasting with neural networks at uber. In International Conference on Machine Learning, volume 34, pages 1-5.

Müller, J. and Bogenberger, K. (2015). Time series analysis of booking data of a free-floating carsharing system in berlin. Transportation Research Procedia, 10:345-354.

Nourinejad, M. (2014). Dynamic optimization models for ridesharing and carsharing. Master's thesis, University of Toronto.

Papacharalampous, G., Tyralis, H., and Koutsoyiannis, D. (2018). Predictability of monthly temperature and precipitation using automatic time series forecasting methods. Acta Geophysica, 66(4):807-831.

Samal, K., Babu, K. S., Das, S. K., and Acharaya, A. (2019). Time series based air pollution forecasting using sarima and prophet model. In Proceedings of the 2019 International Conference on Information Technology and Computer Communications, pages 80-85. ACM.

Shaheen, S. A. (2016). Mobility and the sharing economy. Transport Policy, 51(Supplement C):141 — 142.

Taylor, S. J. and Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1):37-45.