Modelado Probabilístico y Análisis de la Demanda en Sistemas de Bicicletas Compartidas : Caso de Estudio BiciMad

Abstract

Las grandes ciudades se enfrentan a un conjunto de desafíos producto de la acelerada urbanización y la centralización de la población en entornos urbanos a la cual asistimos. Como consecuencia se han intensificado problemas como la congestión del tráfico, el incremento de los niveles de contaminación y la sobrecarga de los sistemas de transporte. Estas problemáticas unidas a la necesidad de alinearse en Europa con los Objetivos de Desarrollo Sostenibles (ODS), al auge de la economía colaborativa y al concepto de movilidad como servicio (MaaS, por sus siglas en inglés, “Mobility as a Service”) han motivado la aparición de nuevas formas de transporte urbano. En este escenario, los sistemas de bicicletas compartidas (BSS, por sus siglas en inglés, “Bike-Sharing systems”) se presentan como una solución innovadora, popular y exitosa, convirtiéndose en un componente clave para promover el transporte urbano sostenible. El crecimiento de los BSS, además de motivar su implementación por parte de cada vez más ciudades, atrajo la atención de la comunidad científica a partir de 2010. Comenzó un período de aportaciones e investigaciones en muy diversas áreas de conocimiento. Esta heterogeneidad se tradujo en una fragmentación terminológica que dificultaba la revisión de artículos relacionados con BSS. Para abordar el problema de la fragmentación terminológica, en esta tesis se desarrolló un tesauro que estandariza los conceptos relacionados con los BSS. Adicionalmente, se desarrolló una metodología sistemática que permite clasificar los artículos relacionados con los BSS en función de su temática y temporalidad. Esta clasificación permitió identificar el “problema del rebalanceo” como el desafío principal en este ámbito. también, se planteó la necesidad de analizar la evolución histórica de estos sistemas, incluyendo una revisión detallada del caso de implementación de BiciMad. La primera parte de esta tesis, que recoge los resultados del primer artículo, se dedica a estos aspectos fundamentales y sienta las bases necesarias para el desarrollo del resto de la investigación. El problema del rebalanceo es en realidad la suma de dos problemas: el primero enfocado en la predicción de la demanda del servicio y el segundo centrado en la optimización del proceso de distribuir las bicicletas por las estaciones de tal manera que la demanda anterior quede satisfecha. Aportar solución a ambos problemas requiere, por tanto, de modelos avanzados para predecir y abordar la demanda de estos servicios. En la segunda parte de esta tesis, representada en el segundo artículo, se presenta un marco de aprendizaje automático probabilístico para modelar y simular la demanda en los BSS, centrándose en la implementación de BiciMad en Madrid. El enfoque propuesto utiliza datos empíricos de viajes correspondientes a los años 2018 y 2019 para ajustar y validar distribuciones teóricas de probabilidad, incluyendo distribuciones Gamma para las distancias de viaje y distribuciones Binomial Negativa para el numero de viajes. A diferencia de los métodos tradicionales basados en regresión, el modelo descrito en esta tesis incorpora estocasticidad e incertidumbre, lo que permite la simulación de escenarios alternativos y análisis contrafactuales (preguntas del tipo ¿qué pasaría si...?). El modelado también integra variables externas, como las condiciones meteorológicas y el tipo de día (laborales, fines de semana y festivos), para mejorar la precisión. Entre las aplicaciones clave del modelo destacan la validación de conjuntos de datos empíricos, la simulación de escenarios contrafactuales y la identificación de demandas insatisfechas debido a limitaciones del sistema, como la falta de bicicletas o espacios de anclaje.

Large cities face a set of challenges resulting from accelerated urbanization and the centralization of populations in urban environments. Therefore, issues such as traffic congestion, increased pollution levels, and overburdened transportation systems have intensified. These problems, combined with the need to align with the Sustainable Development Goals (SDGs) in Europe, the rise of the sharing economy, and the concept of Mobility as a Service (MaaS), have driven the emergence of new forms of urban transportation. In this context, Bike-Sharing Systems (BSS) have emerged as an innovative, popular, and successful solution, becoming a key component in promoting sustainable urban transportation. The growth of BSS has not only motivated their implementation in an increasing number of cities but also attracted the attention of the scientific community starting in 2010. This initiated a period of contributions and research across various fields of knowledge. This diversity, however, led to terminological fragmentation, complicating the review of BSS-related articles. To address the issue of terminological fragmentation, this thesis developed a thesaurus to standardize concepts related to BSS. Additionally, a systematic methodology was designed to classify BSS-related articles based on their themes and timelines. This classification allowed for the identification of the rebalancing problem.as the primary challenge in this field. Furthermore, it highlighted the need to analyze the historical evolution of these systems, including a detailed review of the BiciMad implementation case. The first part of this thesis, which presents the results of the first article, focuses on these fundamental aspects and lays the groundwork for the rest of the research. The rebalancing problem consists of two interconnected issues: the first focused on predicting service demand and the second on optimizing the process of distributing bicycles across stations to meet this demand. Addressing both issues requires advanced models to predict and manage the demand for these services. In the second part of this thesis, presented in the second article, a probabilistic machine learning framework is introduced to model and simulate demand in BSS, with a focus on the BiciMad implementation in Madrid. The proposed approach uses empirical trip data from 2018 and 2019 to fit and validate theoretical probability distributions, including Gamma distributions for travel distances and Negative Binomial distributions for the number of trips. Unlike traditional regression-based methods, the model described in this thesis incorporates stochasticity and uncertainty, enabling the simulation of alternative scenarios and counterfactual analyses (e.g.,” What if...?”). The modeling framework also integrates external variables, such as weather conditions and day types (workdays, weekends, and holidays), to improve accuracy. Key applications of the model include validating empirical datasets, simulating counterfactual scenarios, and identifying unmet demand due to system limitations, such as the lack of bicycles or docking spaces.