Comparativa de diferentes técnicas de Minería de Datos para la predicción del uso de la bicicleta de acuerdo con las condiciones climáticas y estacionales en Washington

Ana Rosa Velazquez; Francisco Jacob Avila Camacho

doi:10.2992/rict.v2i3.44

Autores/as

Ana Rosa Velazquez Tecnologico de Estudios Superiores de Ecatepec
Francisco Jacob Avila Camacho Tecnológico Nacional de México / TES Ecatepec https://orcid.org/0000-0002-0086-5827

DOI:

https://doi.org/10.2992/rict.v2i3.44

Palabras clave:

predicción, árboles de decisión, redes neuronales,, regresión lineal, machine learning

Resumen

En este articulo se trabajó con la predicción del alquiler de bicicletas por día, focalizada en las condiciones ambientales y estacionales, se llevó a cabo un análisis comparativo entre dos técnicas de minería de datos: árboles de regresión y regresión tradicional. El conjunto de datos, se tomaron del sistema Capital Bikeshare en Washington D.C. durante los años 2011 y 2012, proporcionó un registro histórico detallado, de los días y estaciones del año, enriquecido con información meteorológica y número de usuarios registrados. La elección de comparar árboles de regresión con regresión clásica se basó en la necesidad de evaluar cuál de estas técnicas se adecuaba mejor a la complejidad del conjunto de datos y a la naturaleza no lineal de las relaciones entre las variables tanto dependientes como independientes.

Biografía del autor/a

Francisco Jacob Avila Camacho, Tecnológico Nacional de México / TES Ecatepec

Francisco Jacob Ávila-Camacho. Nació en Puebla, México el 5 de Febrero de 1967, es Ingeniero en electrónica y sistemas digitales egresado de la Universidad Autónoma Metropolitana Unidad Azcapotzalco, tiene el grado de maestría en ingeniería en sistemas computacionales por parte del Tecnológico de Estudios Superiores de Ecatepec, cuenta con una maestría en ciencias en administración de negocios de la Escuela Superior de Comercio y Administración del IPN y el doctorado en sistemas computacionales por la Universidad Da Vinci, actualmente se desempeña como profesor investigador en el Tecnológico de Estudios Superiores de Ecatepec, ha impartido ponencias en congresos nacionales e internacionales y publicado en revistas académicas y memorias de congresos, actualmente es responsable y líder de varios proyectos de investigación y desarrollo tecnológico con y sin financiamiento, Coordinador del Centro de Cooperación Academia Industria del TESE. Sus principales líneas de investigación se centran en inteligencia artificial, reconocimiento de patrones, minería de datos y sistemas embebidos, modelos y algoritmos de navegación autónoma, visión por computadora, entre otras.

Citas

Alvarez-Valdes, R., Belenguer, J. M., Benavent, E., Bermudez, J. D., Muñoz, F., Vercher, E., & Verdejo, F. (2016). Optimizing the level of service quality of a bike-sharing system. Omega, 62, 163–175. https://doi.org/10.1016/j.omega.2015.09.007

Capital Bikeshare DC. (n.d.). Retrieved January 23, 2024, from https://capitalbikeshare.com/

Eren, E., & Uz, V. E. (2020). A review on bike-sharing: The factors affecting bike-sharing demand. Sustainable Cities and Society, 54, 101882. https://doi.org/10.1016/J.SCS.2019.101882

Fanaee-T, H., & Gama, J. (2014). Event labeling combining ensemble detectors and background knowledge. Progress in Artificial Intelligence, 2(2–3), 113–127. https://doi.org/10.1007/s13748-013-0040-3

Fin De Máster, T., Beltrante, A., & Santana, A. E. (n.d.). Predicción del uso de bicis compartidas dependiendo de las condiciones climáticas del día.

Gámez-Pérez, K., López, P. E. A., & Iniestra, J. G. (2020). Supporting the strategic design of public bicycle sharing systems: The experience of a large Mexican city. Contaduria y Administracion, 65(3). https://doi.org/10.22201/FCA.24488410E.2020.2192

Garcia-Gutierrez, J., Romero-Torres, J., & Gaytan-Iniestra, J. (2014). Dimensioning of a Bike Sharing System (BSS): A study case in Nezahualcoyotl, Mexico. Procedia - Social and Behavioral Sciences, 162, 253–262. https://doi.org/10.1016/j.sbspro.2014.12.206

Gong, W., Rui, J., & Li, T. (2024). Deciphering urban bike-sharing patterns: An in-depth analysis of natural environment and visual quality in New York’s Citi bike system. Journal of Transport Geography, 115, 103799. https://doi.org/10.1016/J.JTRANGEO.2024.103799

Guo, Y., Yang, L., & Chen, Y. (2022). Bike Share Usage and the Built Environment: A Review. In Frontiers in Public Health (Vol. 10). Frontiers Media S.A. https://doi.org/10.3389/fpubh.2022.848169

Implementación de modelo supervisado de aprendizaje de máquinas para la predicción de alquiler de bicicletas. | by Javier Ochoa | Medium. (n.d.). Retrieved January 23, 2024, from https://medium.com/@javier8amoreno/implementaci%C3%B3n-de-modelo-supervisado-de-aprendizaje-de-m%C3%A1quinas-para-la-predicci%C3%B3n-de-alquiler-de-d504b046e09b

Jelic, A., & Roncaglia, P. (2021). Predicting bike sharing demand with machine learning.

Ma, X., Zhang, S., Jin, Y., Zhu, M., & Yuan, Y. (2022). Identification of metro-bikeshare transfer trip chains by matching docked bikeshare and metro smartcards. Energies, 15(1). https://doi.org/10.3390/en15010203

Ricci, M. (2015a). Bike sharing: A review of evidence on impacts and processes of implementation and operation. Research in Transportation Business & Management, 15, 28–38. https://doi.org/10.1016/J.RTBM.2015.03.003

Ricci, M. (2015b). Bike sharing: A review of evidence on the impacts and processes of implementation and operation. Research in Transportation Business & Management, 15, 28–38. https://doi.org/10.1016/j.rtbm.2015.03.003

Rosales-Asensio, E., Borge-Diez, D., Blanes-Peiró, J. J., Pérez-Hoyos, A., & Comenar-Santos, A. (2019). Review of wind energy technology and associated market and economic conditions in Spain. Renewable and Sustainable Energy Reviews, 101, 415–427. https://doi.org/10.1016/J.RSER.2018.11.029

Shaheen, S., Cohen, A., & Martin, E. (2013). Public bikesharing in North America. Transportation Research Record, 2387, 83–92. https://doi.org/10.3141/2387-10

Thirumalai, C., & Koppuravuri, R. (n.d.). Bike Sharing Prediction using Deep Neural Networks.

Vogel, P., Greiser, T., & Mattfeld, D. C. (2011). Understanding Bike-Sharing Systems using Data Mining: Exploring Activity Patterns. Procedia Social and Behavioral Sciences, 20, 514–523. https://doi.org/10.1016/j.sbspro.2011.08.058

Wang, J., Huang, J., & Dunford, M. (2019). Rethinking the utility of public bicycles: The development and challenges of station-less bike sharing in China. Sustainability (Switzerland), 11(6). https://doi.org/10.3390/su11061539

Xu, M., Liu, H., & Yang, H. (2020). A Deep Learning Based Multi-Block Hybrid Model for Bike-Sharing Supply-Demand Prediction. IEEE Access, 8, 85826–85838. https://doi.org/10.1109/ACCESS.2020.2987934

Zheng, L., & Li, Y. (2020). The development, characteristics and impact of bike-sharing systems: A literature review. In International Review for Spatial Planning and Sustainable Development (Vol. 8, Issue 2, pp. 37–52). SPSD Press. https://doi.org/10.14246/irspsd.8.2_37

Zhou, J., Guo, Y., Sun, J., Yu, E., & Wang, R. (2022). Review of bike-sharing system studies using bibliometrics method. Journal of Traffic and Transportation Engineering (English Edition), 9(4), 608–630. https://doi.org/10.1016/J.JTTE.2021.08.003