Comparando métodos de aprendizado de máquina para previsão da demanda de viagens de bicicletas da BIXI Montreal e análise do efeito da pandemia de COVID-19 na demanda de 2020
Bibliographic record
Abstract
A previsão de demanda é uma atividade estratégica para uma organização planejar e dimensionar os recursos necessários para a produção de bens e serviços de forma a atender sua demanda e não ter prejuízos. Visto que estima o futuro, ela pode ser impactada com alterações no ambiente externo, como foi o caso da pandemia de COVID-19. Nesse sentido, esse trabalho tem como objetivo analisar como a demanda da BIXI Montreal foi impactada pela pandemia de COVID-19, comparando os valores reais de 2020 com valores projetados utilizando modelos de aprendizado de máquina e dados históricos. Para isso, quatro modelos usando os algoritmos LinearRegression, DecisionTreeRegressor, RandomForestRegressor e XGBRegressor de pacotes do Python foram elaborados e seus desempenhos avaliados considerando as métricas MAE, MSE, RMSE e Score. A partir disso, o melhor modelo foi escolhido, sendo utilizado para prever a demanda de 2020 e comparar a demanda real com a contrafactual. De forma geral, o modelo de Random Forest apresentou o melhor desempenho e foram realizadas três previsões de demanda diferentes. Uma delas apresentou um resultado de demanda muito superestimado. As outras duas apresentaram resultados mais realistas, demonstrando possibilidades da demanda em um cenário mais conservador e outro mais otimista. Por fim, concluiu-se que a demanda de quantidade de viagens da BIXI Montreal sofreu um impacto negativo entre 32% e 125% por causa da pandemia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".