1. Repositório Institucional da UFMG
  2. Publicações Científicas e Culturais
  3. Artigo de Periódico
Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/73917
Full metadata record
DC FieldValueLanguage
dc.creatorMichele Coccapt_BR
dc.creatorDouglas do Couto Teixeirapt_BR
dc.creatorLuca Vassiopt_BR
dc.creatorMarco Melliapt_BR
dc.creatorJussara M. Almeidapt_BR
dc.creatorAna Paula Couto da Silvapt_BR
dc.date.accessioned2024-08-13T21:22:18Z-
dc.date.available2024-08-13T21:22:18Z-
dc.date.issued2020-
dc.citation.volume9pt_BR
dc.identifier.doihttps://doi.org/10.3390/electronics9010072pt_BR
dc.identifier.issn2079-9292pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/73917-
dc.description.abstractOs 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.resumoFree-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.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.description.sponsorshipFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Geraispt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.description.sponsorshipOutra Agênciapt_BR
dc.format.mimetypepdfpt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOpt_BR
dc.publisher.initialsUFMGpt_BR
dc.relation.ispartofElectronicspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectMachine learningpt_BR
dc.subjectRegression modelspt_BR
dc.subjectCar sharingpt_BR
dc.subject.otherAprendizado do computadorpt_BR
dc.subject.otherAnálise de regressãopt_BR
dc.subject.otherAutomóveispt_BR
dc.titleOn car-sharing usage prediction with open socio-demographic datapt_BR
dc.typeArtigo de Periódicopt_BR
dc.url.externahttps://www.mdpi.com/2079-9292/9/1/72pt_BR
dc.identifier.orcidhttps://orcid.org/0000-0002-7574-128Xpt_BR
dc.identifier.orcidhttps://orcid.org/0000-0003-2804-063Xpt_BR
dc.identifier.orcidhttps://orcid.org/0000-0002-2920-1856pt_BR
dc.identifier.orcidhttps://orcid.org/0000-0003-1859-6693pt_BR
dc.identifier.orcidhttps://orcid.org/0000-0001-9142-2919pt_BR
dc.identifier.orcidhttps://orcid.org/0000-0001-5951-3562pt_BR
Appears in Collections:Artigo de Periódico

Files in This Item:
File Description SizeFormat 
On car-sharing usage prediction with open socio-demographic data.pdf649.06 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.