Previsión de la demanda de bicicletas compartidas mediante aprendizaje automático

• Angarita-Zapata, Juan S. ^[1] ; Torrent-Fontbona , Ferran ^[1] ; Machón , Beatriz ^[2] ; Benito Sanchez, Francisco ^[3]
  1. [1] Aimsun
  2. [2] AUVASA
  3. [3] Valladolid City Council

  Mostrar afiliaciones +
• Localización: Street Art & Urban Creativity, ISSN-e 2183-9956, Vol. 11, Nº. Extra 7, 2025 (Ejemplar dedicado a: Special Issue: Smart City World Congress), págs. 329-342
• Idioma: español
• DOI: 10.62161/sauc.v11.6024
• Títulos paralelos:
  • Bike-Sharing Demand Forecasting Using Machine Learning
• Enlaces
  • Texto completo
• Resumen
  • español

    Los sistemas de bicicletas compartidas funcionan mejor cuando los usuarios pueden contar con encontrar una bicicleta y un aparcamiento libre. Esa simple expectativa es difícil de cumplir durante las horas punta y los eventos especiales. Describimos un proceso práctico de previsión de la demanda a corto plazo creado mediante aprendizaje automático (ML) e implementado en Valladolid, España, como parte del proyecto SPINE financiado por la UE. Utilizando registros anónimos de una estación a otra del sistema de bicicletas compartidas de la ciudad, generamos previsiones de 60 minutos y elevamos esos pronósticos a los paneles de control de operaciones. Además, se evalúan estrategias de reequilibrio en un entorno de simulación. Resumimos el flujo de datos y la arquitectura del modelo, mostramos resultados representativos a nivel de red y describimos cómo el operador de bicicletas compartidas puede utilizar el sistema para resolver cuestiones diarias. Concluimos con todo lo aprendido y las prioridades a adoptar en los siguientes pasos.

  • English

    Bike-share systems work best when users can count on finding a bike and an open dock. That simple expectation is hard to meet during peak times and special events. We describe a practical, short-term demand-forecasting pipeline built using Machine Learning (ML) and deployed in Valladolid, Spain, as part of the EU-funded SPINE project. Using anonymized station-to-station records from the city’s bike-sharing system, we generate station-level forecasts over 60-minute horizons and feed those predictions to operations dashboards. Moreover, rebalancing strategies are evaluated in a simulation environment. We summarize the data flow and model architecture, show representative network-level results, and outline how the system can be used by the bike-sharing operator to support day-to-day decisions. We close with lessons learned and priorities for the next steps.

• Referencias bibliográficas
  • Gammelli, D., Wang, Y., Prak, D., Rodrigues, F., Minner, S., & Pereira, F. C. (2022). Predictive and prescriptive performance of bike-sharing...
  • Gao, C., & Chen, Y. (2022). Using machine learning methods to predict demand for bike sharing. In J. L. Stienmetz, B. Ferrer-Rosell, &...
  • Jiang, W. (2022). Bike sharing usage prediction with deep learning: A survey. Neural Computing and Applications, 34, 15369–15385. https://doi.org/10.1007/s00521-022-07380-5
  • Li, X., Xu, Y., Zhang, X., Shi, W., Yue, Y., & Li, Q. (2023). Improving short-term bike sharing demand forecast through an irregular convolutional...
  • Martín, I., Tympakanaki, A., Cantú-Ros, O. G., Burrieza-Galán, J., Casas, J., Narayanan, S., Ayfantopoulou, G., Antoniou, C., & Maleas,...
  • Peláez-Rodríguez, C., Pérez-Aracil, J., Fister, D., Torres-López, R., & Salcedo-Sanz, S. (2024). Bike sharing and cable car demand forecasting...
  • Qiao, S., Han, N., Huang, J., Yue, K., Mao, R., Shu, H., He, Q., & Wu, X. (2021). A dynamic convolutional neural network based shared-bike...
  • Subramanian, M., Cho, J., Veerappampalayam Easwaramoorthy, S., Murugesan, A., & Chinnasamy, R. (2023). Enhancing sustainable transportation:...
  • Sohrabi, S., Paleti, R., Balan, L., & Cetin, M. (2020). Real-time prediction of public bike sharing system demand using generalized extreme...
  • Yang, Y., Heppenstall, A., Turner, A., & Comber, A. (2020). Using graph structural information about flows to enhance short-term demand...