<  Back to the Polytechnique Montréal portal

Evaluation of Demand Forecast Models for Urban Carsharing

Elham Karimi

Masters thesis (2019)

[img] Restricted to: Repository staff only until 12 June 2020.
Cite this document: Karimi, E. (2019). Evaluation of Demand Forecast Models for Urban Carsharing (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/3831/
Show abstract Hide abstract

Abstract

RÉSUMÉ : Au cours des dernières décennies, les services de mobilité partagée ont été créés en tant que nouvelles alternatives de transport urbain. Le système d'autopartage est l'un de ces services récents impliquant une flotte de véhicules dispersés dans une ville. Cela a permis de contrecarrer certains problèmes, tels que le stationnement limité dans les zones denses de la ville, la pollution, l’augmentation de la possession automobile, etc. Communauto est l’un des plus anciens services d’auto-partage en Amérique du Nord, établi depuis 1994 au Canada. Le but de ce mémoire est d’appliquer les méthodes d’apprentissage automatique les plus courantes afin de prévoir les heures et les kilomètres consommés selon les réponses souhaitées sur le système opérateur de Communauto avec deux services urbains à Montréal : régulier et en libre-service. La combinaison de différents modèles statistiques et de réseaux de neurones artificiels a été évaluée par le biais d’un ensemble d’expériences afin de prévoir la demande à partir de données historiques. Les modèles appliqués mettent l'accent sur la mise en œuvre de régressions multiples, d'arbres de régression, de forêts aléatoires, de gradient boosting, et des réseaux neuronaux récurrents basés sur long short-term memory et les gated recurrent unit. Les modèles ont été appliqués aux données de Communauto Montréal. Par la suite des données supplémentaires, telles que les informations sur les journées de vacances et les conditions météorologiques, ont été associées aux données de Communauto Montréal afin de déterminer si les performances des modèles de prévision sont améliorées. Il est à noter que les données relatives au service régulier et aux heures consommées, en tant que réponse, ont été prises en compte pour le processus de prévision. Les modèles ont été évalués par l’erreur quadratique moyenne sous forme d’indice de mesure de distance entre les valeurs réelles et les valeurs prédites sur la base des ensembles de test. Les ensembles de tests ont été examinés séparément dans les délais suivants : 2012, 2013, 2014 et 2015 à 2016. La moyenne des résultats a ensuite été considérée comme l'erreur finale de chaque modèle. Les résultats montrent que les modèles statistiques tels que l’intensification du gradient en service régulier par rapport au nombre d’heures consommées (avec un taux d’erreur = 1437,48) étaient supérieurs aux modèles de réseaux neuronaux artificiels (taux d’erreur de LSTM = 2159,05, taux d’erreur de GRU = 2215,14). De plus, des facteurs supplémentaires ont amélioré la capacité des modèles de prévision, le taux d'erreur de renforcement du gradient ayant été considérablement réduit à 1211,96. De plus, les résultats des modèles de prévision en service flottant en ce qui concerne le nombre d'heures consommées et le kilométrage montrent que la régression multiple surpasse les modèles de réseau neuronal artificiel. En outre, les facteurs supplémentaires ont considérablement amélioré les performances des modèles appliqués.----------ABSTRACT : In the last few decades, shared mobility services have been made as new urban transport alternatives. Carsharing system is one of these recent services that involves a fleet of scattered vehicles in a city. This helped to counteract some problems, such as limited parking within city in dense areas, pollution, increase in car ownership, etc. Communauto is one of the oldest carsharing services in North America which has been established since 1994 in Canada. The focus of this thesis is to apply the most common machine learning methods in order to forecast consumed hours and kilometers driven or mileage as desired responses at Communauto operator system with two urban services in Montreal: regular and free-floating. Combination of different statistical and artificial neural network models were evaluated through a set of experiments in order to forecast demand from historical data. The applied models include multiple regression, regression tree, random forests, gradient boosting, long short-term memory and gated recurrent unit based recurrent neural networks. The models were applied to the Montreal Communauto data. Thereafter, additional factors such as holiday information and weather condition were engaged to the Communauto data to explore whether the performance of forecasting models was enhanced. It is noteworthy that the data related to regular service and consumed hours, as response, were considered for the forecasting process. The models were evaluated by root mean squared error as an index of distance measurement between real and predicted values based on test sets. The test sets were considered separately in the following time frames: 2012, 2013, 2014, and from 2015 to 2016. The average of results was then considered as the final error of each model. The results show that statistical models such as gradient boosting in regular service with respect to consumed hours (with error rate= 1437.48) outperformed artificial neural network models (error rate of LSTM = 2159.05, error rate of GRUs = 2215.14). Moreover, additional factors improved the ability of the forecasting models, as the error rate of gradient boosting was significantly reduced to 1211.96. Furthermore, the results of forecasting models in free-floating service with respect to consumed hours and mileage show that multiple regression outperformed artificial neural network models. Besides, the additional factors significantly improved performance of the applied models.

Open Access document in PolyPublie
Department: Département de mathématiques et de génie industriel
Dissertation/thesis director: Martin Trépanier and Vahid Partovi Nia
Date Deposited: 12 Jun 2019 13:46
Last Modified: 04 Jul 2019 16:04
PolyPublie URL: https://publications.polymtl.ca/3831/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only