Dissertação

{en_GB=Describing and predicting demand in Lisbon’s public Bike sharing system} {} EVALUATED

{pt=A utilização de sistemas de partilha de bicicletas está a aumentar nas grandes cidades de todo o mundo. O funcionamento dos sistemas de partilha de bicicletas depende de uma distribuição geográfica equilibrada das bicicletas ao longo do dia. Neste contexto, a compreensão da distribuição espaço-temporal de entradas e saídas é fundamental para o balanceamento das estações e relocalização de bicicletas. Ainda assim, as contribuições mais recentes de aprendizagem profunda e de modelos de previsão baseados em distância mostram um sucesso limitado na previsão da procura dos sistemas de partilha de bicicletas . Estas observações podem ter origem em i) à grande dependência entre a procura e o contexto meteorológico e situacional das estações ii) à ausência de contexto espacial, uma vez que a maioria dos preditores são incapazes de modelar os efeitos de estações vazias-cheias nas estações próximas. Este trabalho propõe um conjunto abrangente de novos princípios para incorporar fontes históricas e prospectivas do contexto espacial, meteorológico, situacional e calêndrico nos modelos de previsão da procura de estações. Para este fim, é proposta uma nova arquitetura de rede neuronal recorrente composta por LSTMs com duas principais contribuições: i) a utilização de máscaras multivariadas de séries temporais produzidas a partir de dados de contexto histórico na camada de entrada, e ii) a regularização das séries temporais previstas utilizando dados de contexto prospectivo. Para analisar o desempenho da rede neuroal recorrent, esta tese analisa tanto métodos clássicos quanto métodos mais recentes de previsão. , en=Bike sharing demand is increasing in large cities worldwide. The proper functioning of bike-sharing systems is, nevertheless, dependent on a balanced geographical distribution of bicycles throughout a day. In this context, understanding the spatiotemporal distribution of check-ins and check-outs is key for station balancing and bike relocation initiatives. Still, recent contributions from deep learning and distance-based predictors show limited success on forecasting bike sharing demand. This consistent observation is hypothesized to be driven by: i) the strong dependence between demand and the meteorological and situational context of stations; and ii) the absence of spatial awareness as most predictors are unable to model the effects of high-low station load on nearby stations. This work proposes a comprehensive set of new principles to incorporate both historical and prospective sources of spatial, meteorological, situational and calendrical context in predictive models of station demand. To this end, a new recurrent neural network layering composed by serial long-short term memory (LSTM) components is proposed with two major contributions: i) the feeding of multivariate time series masks produced from historical context data at the input layer, and ii) the time-dependent regularization of the forecasted time series using prospective context data. To study the performance of the new recurrent neural network, this thesis analyses a set of state-of-the-art forecast method as baseline methods. }
{pt=Dados espaço-temporais, Dados de Séries Temporais Multivariadas, LSTMs, en=Context-sensitive forecasting, spatiotemporal data, multivariate time series, LSTMs, bike sharing system}

novembro 19, 2020, 16:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Miguel Carrasqueiro Henriques

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

Anna Carolina Nametala Finamore do Couto

Departamento de Engenharia Informática (DEI)

Bolseiro