Dissertação

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

{pt=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 , en=The growth of urban areas has made taxi service become increasingly more popular due to its ubiquity and flexibility when compared with, more rigid, public transportation modes. However, in big cities taxi service is still unbalanced, resulting in inefficiencies such as long waiting times and excessive vacant trips. This study presents an exploratory taxi fleet service analysis and compares two forecast models aimed at predicting the spatiotemporal variation of short-term taxi demand. A dataset with more than 1 million trips from AutoCoope, between 2014 and 2017 was used, corresponding to roughly 10% of Lisbon’s fleet. The spatiotemporal variation between pick-up and drop-off locations and how they are affected by weather conditions and points of interest. Based on historical data, two models were developed to predict the demand, an ARIMA and a Multi-Layer Perceptron model. They were evaluated and their performance was compared considering 4 key clusters of activity, obtaining accuracies of 68.6% for the ARIMA and 78.6% for the neural network. This study not only allows the direct comparison of a linear statistical model with a machine learning one, but also leads to a better comprehension of complex interactions surrounding different urban data sources using the taxi service as a probe to better understand urban mobility-on-demand and its needs. }
{pt=Mobilidade Urbana, Mobilidade-a-Pedido, Procura de táxis, ARIMA, Rede Neuronal, Lisboa, en=Urban Mobility, Mobility-on-Demand, Taxi demand forecast, ARIMA, Artificial Neural Network, Lisbon}

Junho 28, 2019, 15:30

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