ANÁLISIS DE LA DEMANDA DEL SISTEMA DE BiciMAD EN FUNCIÓN DE VARIABLES METEOROLÓGICAS EN LA CIUDAD DE MADRID

Abstract

Este trabajo realiza un análisis detallado del sistema de bicicletas compartidas de Madrid (BiciMAD), explorando cómo las condiciones meteorológicas influyen en los patrones de uso del servicio. A partir del registro de millones de viajes realizados entre 2021 y 2023, y de los datos meteorológicos proporcionados por la red de estaciones del Ayuntamiento de Madrid, se ha desarrollado un modelo de integración que asigna a cada trayecto las condiciones climáticas más cercanas en tiempo y espacio. La metodología incluye procesos de extracción, depuración y transformación de datos (ETL), así como análisis descriptivos y exploratorios para identificar tendencias estacionales, temporales y geográficas. Entre los hallazgos más relevantes se encuentran la fuerte estacionalidad de la demanda, el impacto de variables como la temperatura, la lluvia o el viento en la duración y frecuencia de los trayectos, y la relevancia del uso del sistema en días laborables frente a fines de semana. El estudio contribuye a una mejor comprensión del comportamiento de los usuarios de BiciMAD y ofrece información útil para la planificación operativa y la mejora de la sostenibilidad del sistema.

This study presents a detailed analysis of the public bike-sharing system in Madrid (BiciMAD), focusing on how weather conditions influence user behavior and service demand. Using real trip data from 2021 to 2023 and meteorological records from Madrid’s municipal weather stations, a spatial-temporal integration methodology was developed to assign the closest weather observations to each bike trip based on its starting location. The project follows an ETL process for data extraction, cleaning, and transformation, followed by exploratory and descriptive analyses. The findings reveal strong seasonal demand patterns, significant influence of variables such as temperature, rainfall, and wind speed on the frequency and duration of trips, and a higher intensity of use on weekdays compared to weekends. These insights contribute to a better understanding of user behavior in shared mobility systems and provide practical recommendations for improving operational planning and system efficiency in the face of environmental variability.