Predição de demanda para sistemas de bicicletas compartilhadas com estações utilizando agregação de dados meteorológicos

Abstract

Startups são empresas jovens de base tecnológica. Para serem enxutas e competitivas, é importante se manterem essencialistas e eficientes em suas atividades. Em sistemas de compartilhamento de bicicletas com estações podemos verificar práticas eficientes em operações de balanceamento que maximizam a utilização pelos usuários. Para isso, é necessário que o sistema ofereça alta disponibilidade de bicicletas para que os usuários retirem nas estações. Neste trabalho, estimamos o número de retiradas de bicicletas em cada estação do sistema Citi Bike, da cidade de Nova Iorque, para um determinado dia a partir de um modelo de predição de demanda que utiliza o algoritmo K-Nearest-Neighbors (KNN) e a similaridade das condições meteorológicas. Por fim, propomos um plano de implementação de um sistema para apoiar decisores a otimizar seu inventário utilizando o preditor em uma startup deste mercado.

Startups are young technological businesses. To be lean and competitive, it is important to stay essentialists and efficient in their activities. In station based bike sharing systems, we can verify efficient practices in balancing operations that maximize bike utilization. For this, it is necessary that the system offers a high availability of bikes for user demand. In this work, we estimate the number of daily bike withdraws in each station of Citi Bike, at New York City, using a prediction model based on the K-Nearest-Neighbors (KNN) algorithm and the similarity of weather conditions. Finally, we present a plan of a system implementation to support decision takers to optimize their inventory using our prediction model in a local startup.