Analýza dat ze služby pro sdílení kol ve městě Brno

Abstract

Sdílená městská mobilita je stále rozvíjející se fenomén, který, jako pouze další z mnoha, využívá k provozu svých služeb hojné množství mobilních telefonů. Raná fáze rozvoje tohoto odvětví ponechává prostor vylepšením, například pomocí pokročilé datové analýzy, například použitím prediktivních modelů, jež mezi nástroji pro analýzu sdílené cyklistiky nemájí zastoupení. Tyto modely však umožňují důležitou formu analýzy, která by uživatelům umožnila plánovat své cesty na základě pravděpodobné dostupnosti dopravních prostředků. Cílem této práce bylo vytvořit komplexní analytický nástroj sdílené cyklistické dopravy ve městě Brno, který umožní zjištění dostupnosti v budoucnu. Prediktivní model, trénovaný na historických datech provozovatelů služeb sdílené cyklistiky, umožňuje s vysokou spolehlivostí predikovat míru pravděpodobnosti výskytu dopravního prostředku na vybrané stanici v požadovaném datu a čase. Výsledkem je nejen tímto způsobem analyzující nástroj, ale také poznatky o potřebách a limitech bránících spolehlivé predikční analýze. Řešení poskytuje inovativní přístup k analýze dat sdílené cyklistické dopravy a přispívá tak k efektivnějšímu plánování budoucí cesty.Shared urban mobility is a continuously evolving phenomenon that, like many others, heavily relies on mobile phones to operate its services. The early stages of development in this sector leave room for improvements, particularly through advanced data analysis, such as the use of predictive models — an approach that remains underutilized in the analysis of shared cycling. These models, however, enable a crucial form of analysis that would allow users to plan their trips based on the likely availability of transport options. The goal of this thesis was to develop a comprehensive analytical tool for shared bicycle transport in the city of Brno, enabling predictions of future availability. A predictive model, trained on historical data from bike-sharing service providers, reliably estimates the probability of a vehicle being present at a selected station at a specific date and time. The result is not only a predictive analysis tool but also a set of insights into the needs and limitations that hinder reliable predictive modeling. This solution offers an innovative approach to analyzing shared cycling data and contributes to more efficient planning of future journeys.