Machine learning estimula modelo de origem e destino de e-scooters
São Paulo — InkDesign News — Um novo estudo da SUNY Polytechnic Institute utiliza machine learning para aprimorar a compreensão sobre a mobilidade de e-scooters em ambientes urbanos, focando na integração de dados de pontos de interesse.
Contexto da pesquisa
O estudo foi liderado por Dr. Abolfazl Karimpour, Professor Assistente de Engenharia de Transporte na SUNY Polytechnic Institute e Diretor do Laboratório de Pesquisa em Inteligência Artificial para Transporte (TRAIL). Publicado na revista Environment and Planning B: Urban Analytics and City Science, a pesquisa aborda a modelagem de origens e destinos de e-scooters com base em dados coletados do Yelp.
Método proposto
Os pesquisadores introduziram um modelo de machine learning inspirado na gravidade para estimar as viagens de e-scooter. Considerando dados de viagens em Louisville, Kentucky, o modelo combina registros de trips, limites de zonas de análise de tráfego (TAZ) e dados de pontos de interesse (POI) do Yelp, revelando padrões significativos na mobilidade urbana.
Resultados e impacto
Os resultados mostraram que o fluxo de e-scooters é fortemente influenciado pela presença de restaurantes, bares, cafeterias e centros comerciais, enquanto parques e museus têm impacto reduzido. A pesquisa destaca que a distância entre zonas diminui o volume de viagens, refletindo a natureza de curto alcance das viagens de micromobilidade.
A combinação de dados de POI com registros de viagens pode prever a demanda, avaliar necessidades de infraestrutura e otimizar o reequilíbrio de frotas.
(“The combination of POI data with trip records can forecast demand, assess infrastructure needs, and optimize fleet rebalancing.”)— Dr. Abolfazl Karimpour, Professor Assistente, SUNY Polytechnic Institute
Esse trabalho fornece uma ferramenta valiosa para planejadores urbanos e agências de transporte que buscam integrar a micromobilidade em sistemas de transporte mais amplos. Com os próximos passos, os pesquisadores pretendem refinar o modelo e aplicar a metodologia em diferentes contextos urbanos.
Fonte: (TechXplore – Machine Learning & AI)
