Uso de aprendizaje profundo para la predicción del uso diario de sistemas de préstamo de bicicletas en relación con diferentes eventos sociales para la creación de una ciudad más sostenible

Abstract

[ES]En este Trabajo de Fin de Máster, Uso de aprendizaje profundo para la predicción del uso diario de sistemas de préstamo de bicicletas en relación con diferentes eventos sociales para la creación de una ciudad más sostenible, se trata de predecir la demanda de bicicletas del servicio público de préstamo Salenbici, de la ciudad de Salamanca, considerando un horizonte de predicción de dieciséis semanas, a través del uso del aprendizaje profundo, una herramienta que ha demostrado proporcionar muy buenos resultados en tareas de regresión y predicción. En caso de disponer de buenas predicciones de la demanda, la empresa proveedora del servicio podría mejorar la calidad del servicio y la eficiencia de su gestión. En este trabajo, se consideran, primeramente, a través de una revisión bibliográfica, los fundamentos matemáticos del aprendizaje profundo y las herramientas, algoritmos y técnicas detrás del entrenamiento de redes neuronales, analizando las que más comúnmente se usan en problemas de regresión y predicción de series temporales. Se implementan y adaptan al problema seis redes neuronales distintas que se plantean en la bibliografía, haciendo uso de la librería Keras, de Python. Se concluye que es posible predecir, con gran precisión, el número de préstamos cada día a partir de información externa, como los calendarios vacacionales y de festivos, los fines de semana o información climática, permitiendo verificar la gran utilidad que tiene el aprendizaje profundo a la hora de tratar este tipo de problemas.

[EN]In this Final Master’s Thesis, titled Use of deep learning to predict daily usage of bike sha ring systems related to different social events to create a more sustainable city, the goal is to predict the demand for bicycles of the public loan service Salenbici, of the city of Salamanca, considering a prediction horizon of sixteen weeks, making use of deep learning, a tool that has shown very good results in regression and prediction tasks. If good demand predictions are available, the service provider company could improve the service quality and management efficiency. In this Master’s Thesis, the mathematical foundations of deep learning and the tools, al gorithms, and techniques behind neural network training are initially considered through a literature review, analyzing the most commonly used for regression and time series prediction problems. Six different neural networks mentioned in the literature are implemented and adap ted to the problem using the Keras library in Python. It is concluded that it is possible to predict the number of daily bike loans with high accuracy using external information such as holiday and vacation calendars, weekends, or weather data. This highlights the great utility of deep learning in addressing these types of problems.