Data-Driven and Multidimensional Clustering of Bike Sharing Stations and Travel Patterns

« Cette thèse présente une analyse du système de vélo-partage Bixi à Montréal, Canada, avec un accent particulier sur la compréhension du comportement des utilisateurs et des caractéristiques des stations. Le système Bixi est devenu un élément essentiel du réseau de transport de la ville, offrant une solution de transport flexible et écologique. Cette recherche adopte une approche basée sur les données en utilisant des données ouvertes pour obtenir des informations détaillées sur le fonctionnement du système. La recherche commence par une analyse descriptive des données, permettant d’identifier les tendances clés et les caractéristiques de la demande de Bixi. Cette étape préliminaire fournit une vue d’ensemble générale des modèles d’utilisation du système, servant de base pour des investigations plus détaillées. En employant des techniques telles que la régression, la visualisation, le regroupement et l’analyse spatiale, nous décomposons les données sous différents angles, révélant des détails complexes sur le fonctionnement du système. L’étude examine également les facteurs influençant la demande de voyages à vélo, en tenant compte de variables telles que les conditions météorologiques, le moment de la journée, l’emplacement et l’utilisation des terres. Nos résultats montrent que la demande de Bixi est façonnée par une combinaison de ces facteurs, certains ayant un impact plus significatif que d’autres. Nous avons recours à des analyses de regroupement, telles que DBSCAN, pour explorer la répartition spatiale et la densité des stations, fournissant des informations sur la diversité et la complexité des stations Bixi. Un aspect essentiel de notre recherche est l’examen de la durée de vie des stations de 2015 à 2020. Cette analyse révèle que toutes les stations ne conservent pas un emplacement permanent en raison de facteurs comme la faible demande ou les coûts opérationnels élevés. Cependant, les stations qui ont fonctionné sans interruption pendant cinq ans ont probablement bénéficié d’une forte demande ou d’un positionnement stratégique.»

Abstract

« Bixi, a bike-sharing service based in Montreal, Canada, has become an integral part of the city’s transportation system. It offers a flexible and eco-friendly mode of transport, allowing users to rent bikes from various stations across the city and return them at their convenience. Particularly popular during the warmer months, Bixi serves a broad range of users, including both residents and tourists. Bike-sharing systems (BSSs) like Bixi are not just a convenient means of travel; they also promote a healthier lifestyle and contribute to the reduction of carbon emissions in urban areas. However, the optimization of such systems is crucial for their success and sustainability. This involves a deep understanding of user behavior and station characteristics, which can be achieved through comprehensive data analysis. In our study, we delve into the Bixi system in Montreal, aiming to uncover the factors that influence the daily number of trips at each station. Our approach is data-driven, relying on a variety of methods to extract meaningful insights from the available data. Our initial step involves a descriptive analysis of the data, which helps us identify the primary trends and characteristics of BSS demand. This process provides a general overview of the system’s usage patterns, laying the groundwork for more detailed investigations. To further explore the patterns and trends of Bixi trips, we employ a range of techniques, including descriptive statistics, visualization, clustering, and regression. These methods allow us to dissect the data from multiple angles, revealing intricate details about the system’s operation. One of our key areas of investigation is the impact of various variables on Bixi demand. We examine factors such as weather conditions, time of day, location, and land use, all of which are known to affect the usage of bike-sharing systems. Our findings show that Bixi’s demand is influenced by a combination of these factors, with some having a more significant impact than others. Through cluster analysis, we group stations based on user and travel features, examining their spatial distribution and density. This analysis provides valuable insights into the diversity and complexity of Bixi stations, contributing to a more nuanced understanding of the system.