Evaluation of Demand Forecast Models for Urban Carsharing

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.