Dissertação

Econometric and machine learning methods to predict short-term taxi demand. The case study of Lisbon. EVALUATED

O crescimento das áreas urbanas tornou o serviço de táxi cada vez mais popular devido à sua omnipresença e flexibilidade quando comparado com os modos mais rígidos de transporte público. No entanto, nas grandes cidades, o serviço de táxi ainda é desequilibrado, resultando em ineficiências como longos tempos de espera e excesso de viagens vagas. Este estudo apresenta uma análise exploratória do serviço de de táxi em Lisboa e compara dois modelos de previsão que visam antever a variação espaciotemporal da procure de táxi de curto prazo. Foi utilizado um conjunto de dados com mais de 1 milhão de viagens pertencentes à AutoCoope, datados entre 2014 e 2017, correspondendo a cerca de 10% da frota ativa de Lisboa. A variação espaciotemporal permitiu avaliar a relação entre os locais de tomada e largada de passageiros e como estes são afetados pelas condições meteorológicas e pontos de interesse. Com base em dados históricos, foram desenvolvidos dois modelos para prever a procura, um ARIMA e uma rede neuronal: Multi-Layer Perceptron. Os mesmos foram avaliados e o seu desempenho foi comparado considerando 4 clusters de atividade, obtendo precisões de 68,6% para o ARIMA e 78,6% para a rede neuronal. Este estudo não só permite a comparação direta de um modelo estatístico linear com um modelo de machine learning, como também leva a uma melhor compreensão de interações complexas em torno de diferentes fontes de dados urbanos utilizando o serviço de táxi como sonda para melhor compreender a mobilidade urbana-a-pedido e suas necessidades
Mobilidade Urbana, Mobilidade-a-Pedido, Procura de táxis, ARIMA, Rede Neuronal, Lisboa

Junho 28, 2019, 15:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Filipe Manuel Mercier Vilaça e Moura

Departamento de Engenharia Civil, Arquitectura e Georrecursos (DECivil)

Professor Associado

ORIENTADOR

Sofia Kalakou

ISCTE-IUL

Professor Auxiliar