Prédiction dynamique de la sur-demande basée sur les clusters dans les systèmes de partage de vélos.

Résumé Le vélo en libre-service est en plein essor dans le monde entier en tant que mode de transport écologique, mais l'apparition de stations en sur-demande qui n'ont pas de vélos ou de quais disponibles affecte grandement l'expérience des utilisateurs. Il est difficile de prédire directement les stations à forte demande pour prendre des mesures préventives, car le modèle d'utilisation des vélos d'une station est très dynamique et dépend du contexte. De plus, le fait que le modèle d'utilisation des vélos soit affecté non seulement par des facteurs contextuels communs (par exemple, le temps et la météo) mais aussi par des facteurs contextuels opportunistes (par exemple, des événements sociaux et de trafic) pose un grand défi. Pour répondre à ces problèmes, nous proposons un cadre dynamique basé sur les clusters pour la prédiction de la sur-demande. En fonction du contexte, nous construisons un réseau de corrélation pondéré pour modéliser la relation entre les stations de vélo, et nous regroupons dynamiquement les stations voisines avec des modèles d'utilisation de vélo similaires dans des clusters. Nous adoptons ensuite la simulation de Monte Carlo pour prédire la probabilité de sur-demande de chaque groupe. Les résultats de l'évaluation utilisant des données réelles de la ville de New York et de Washington, D.C., montrent que notre cadre prédit avec précision les groupes de surconsommation et surpasse les méthodes de base de manière significative.