Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/73917
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Michele Cocca | pt_BR |
dc.creator | Douglas do Couto Teixeira | pt_BR |
dc.creator | Luca Vassio | pt_BR |
dc.creator | Marco Mellia | pt_BR |
dc.creator | Jussara M. Almeida | pt_BR |
dc.creator | Ana Paula Couto da Silva | pt_BR |
dc.date.accessioned | 2024-08-13T21:22:18Z | - |
dc.date.available | 2024-08-13T21:22:18Z | - |
dc.date.issued | 2020 | - |
dc.citation.volume | 9 | pt_BR |
dc.identifier.doi | https://doi.org/10.3390/electronics9010072 | pt_BR |
dc.identifier.issn | 2079-9292 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/73917 | - |
dc.description.abstract | Os serviços Free-Floating Car-Sharing (FFCS) são uma alternativa flexível à propriedade de um carro. Estes serviços de transporte apresentam uma utilização altamente dinâmica tanto em diferentes horas do dia como em diferentes áreas da cidade. Neste trabalho estudamos o problema de previsão de padrões de demanda de FFCS – um problema de grande importância para o adequado provisionamento do serviço. Abordamos a previsão da demanda (i) ao longo do tempo e (ii) ao longo do espaço. Contamos com meses de passeios reais de FFCS em Vancouver, que constituem a nossa verdade. Enriquecemos esses dados com informações sociodemográficas detalhadas obtidas de grandes repositórios de dados abertos para prever padrões de uso. Nosso objetivo é oferecer uma comparação completa de vários algoritmos de aprendizado de máquina em termos de precisão e facilidade de treinamento, e avaliar a eficácia das abordagens atuais de última geração para resolver o problema de previsão. Nossos resultados mostram que é possível prever o uso futuro com erros relativos de até 10%, enquanto a previsão espacial pode ser estimada com erros relativos de cerca de 40%. Nosso estudo também revela as características sociodemográficas que mais se correlacionam com o uso do FFCS, fornecendo insights interessantes para provedores interessados em oferecer serviços em novas regiões. | pt_BR |
dc.description.resumo | Free-Floating Car-Sharing (FFCS) services are a flexible alternative to car ownership. These transportation services show highly dynamic usage both over different hours of the day, and across different city areas. In this work, we study the problem of predicting FFCS demand patterns — a problem of great importance to the adequate provisioning of the service. We tackle both the prediction of the demand (i) over time and (ii) over space. We rely on months of real FFCS rides in Vancouver, which constitute our ground truth. We enrich this data with detailed socio-demographic information obtained from large open-data repositories to predict usage patterns. Our aim is to offer a thorough comparison of several machine-learning algorithms in terms of accuracy and ease of training, and to assess the effectiveness of current state-of-the-art approaches to address the prediction problem. Our results show that it is possible to predict the future usage with relative errors down to 10%, while the spatial prediction can be estimated with relative errors of about 40%. Our study also uncovers the socio-demographic features that most strongly correlate with FFCS usage, providing interesting insights for providers interested in offering services in new regions. | pt_BR |
dc.description.sponsorship | CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico | pt_BR |
dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.description.sponsorship | Outra Agência | pt_BR |
dc.format.mimetype | pt_BR | |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.relation.ispartof | Electronics | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.subject | Regression models | pt_BR |
dc.subject | Car sharing | pt_BR |
dc.subject.other | Aprendizado do computador | pt_BR |
dc.subject.other | Análise de regressão | pt_BR |
dc.subject.other | Automóveis | pt_BR |
dc.title | On car-sharing usage prediction with open socio-demographic data | pt_BR |
dc.type | Artigo de Periódico | pt_BR |
dc.url.externa | https://www.mdpi.com/2079-9292/9/1/72 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0002-7574-128X | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0003-2804-063X | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0002-2920-1856 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0003-1859-6693 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0001-9142-2919 | pt_BR |
dc.identifier.orcid | https://orcid.org/0000-0001-5951-3562 | pt_BR |
Appears in Collections: | Artigo de Periódico |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
On car-sharing usage prediction with open socio-demographic data.pdf | 649.06 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.