Integración de modelos de optimización y predicción para sistemas de bicicletas compartidas

Abstract

Los sistemas de bicicletas compartidas se han vuelto cada vez más populares en los últimos años como modo de transporte sostenible y rentable. Sin embargo, la gestión eficiente de estos sistemas requiere una predicción precisa de la demanda, una ubicación óptima de las estaciones y estrategias de reequilibrio efectivas. Para abordar estos desafíos, proponemos un marco integral que integra optimización combinatoria y técnicas de aprendizaje automático.

El marco consta de un circuito de retroalimentación compuesto de dos partes: un modelo de aprendizaje automático para predecir patrones de demanda y un modelo de optimización para determinar la ubicación de las estaciones con reequilibrio para reasignar bicicletas entre las estaciones, garantizando que los usuarios tengan acceso a ellas cuando y donde sea necesario.

Para evaluar el marco, se llevaron a cabo extensos experimentos computacionales utilizando datos reales de Tembici, un sistema de bicicletas compartidas en Bogotá. Se crearon varias instancias y los resultados demuestran que el sistema propuesto mejora significativamente el rendimiento de los sistemas de bicicletas compartidas. Estas mejoras conducen a una reducción de los costos operativos, una mayor satisfacción del usuario y una mayor sostenibilidad, lo que supone una valiosa contribución al campo de la optimización del sistema de bicicletas compartidas y al análisis de la demanda. En general, el marco propuesto proporciona una herramienta poderosa y eficiente para gestionar sistemas de bicicletas compartidas, con aplicaciones prácticas para mejorar el rendimiento de dichos sistemas.