Jalgratta nõudluse prognoosimine: Bologna juhtumianalüüs
Nimi
Taron Davtyan
Kokkuvõte
Tänase päeva seisuga on tehtud palju akadeemilisi töid, mis uurivad prognoositavat nõudlust dokkides jalgrataste jagamise programmidele, kuid on tehtud vähe töid, on spetsialiseeritud dokkideta rataste jagamise kohta. Spetsialiseerumisele lisaks, on vähesed tööd uurinud nende nõudlust kasutades sügavõppe lähenemist. Dokkideta rataste jagamise populaarsus on viimaste aastate jooksul näinud kiiret kasvu, mis tõstab vajadust mudeli järgi, mis suudab täpselt prognoosida rataste kasutamist. Sellise mudeli olemasolu on eriti hädavajalik ettevõtetele ja valitsuste institutsioonidele, kes tegelevad rataste jagamisega. Eelmainitud probleemi lahendamiseks on antud uurimustöö eesmärgiks välja arendada mudel, mis suudab prognoosida dokkideta rataste kasutust sügavõppe meetodil.
Selleks, et prognoosida rattasõitude arvu, arendati uurimistöös välja long short-term memory (LSTM) närvivõrgustiku mudel. LSTM mudelit kasutati, et välja uurida rataste kasutamise hulk 30-ja 60-minutiliste intervallidega. Lisaks mineviku rattasõitude arvule, võtab mudel arvesse ka õhu temperatuuri, sademete hulga ning riigipühad. Uurimistöö tulemustest võib järeldada, et LSTM mudel annab parema resultaadi, kui palju kasutatud masinõppe algoritmid, milleks on populaarsed lineaarregressioonid, Random Forrest, ja XGBoost. Uurimistöös välja arendatud LSTM mudeliga saab prognoosida jalgrataste radade utiliseerimist, mis võib olla hädavajalik valitsuse institutsioonidele. Samuti võivad seda kasutada jalgrattaid jagavad ettevõtted, uurides jalgrataste jagamise viise linna sees, mis võib efektiivse tulemuse korral viia kasutajas mugavuste suurenemiseni.
Selleks, et prognoosida rattasõitude arvu, arendati uurimistöös välja long short-term memory (LSTM) närvivõrgustiku mudel. LSTM mudelit kasutati, et välja uurida rataste kasutamise hulk 30-ja 60-minutiliste intervallidega. Lisaks mineviku rattasõitude arvule, võtab mudel arvesse ka õhu temperatuuri, sademete hulga ning riigipühad. Uurimistöö tulemustest võib järeldada, et LSTM mudel annab parema resultaadi, kui palju kasutatud masinõppe algoritmid, milleks on populaarsed lineaarregressioonid, Random Forrest, ja XGBoost. Uurimistöös välja arendatud LSTM mudeliga saab prognoosida jalgrataste radade utiliseerimist, mis võib olla hädavajalik valitsuse institutsioonidele. Samuti võivad seda kasutada jalgrattaid jagavad ettevõtted, uurides jalgrataste jagamise viise linna sees, mis võib efektiivse tulemuse korral viia kasutajas mugavuste suurenemiseni.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Innovatsiooni ja tehnoloogia juhtimine
Juhendaja(d)
Rajesh Sharma, Flavio Bertini
Kaitsmise aasta
2020