Resumo

Sistemas de Compartilhamento de Bicicletas (SCB) têm surgido ao longo da última década como opção de mobilidade, em especial nos grandes centros urbanos, oferecidos tanto pela administração pública quanto pela iniciativa privada. Sua aceitação e efetivo uso pela população depende dos padrões de mobilidade na cidade e da existência de infraestrutura adequada para pedalar com segurança, na forma de ciclovias ou ciclofaixas separadas das vias para veículos motorizados, sinalização e outros.

Quando se deseja implantar tal sistema em uma cidade, uma pergunta surge: onde construir a infraestrutura para bicicletas? Para respondê-la, é preciso conhecer os locais de origens e destinos de viagens mais frequentes nas diversas horas do dia e épocas do ano, e quais dessas viagens são ou poderiam ser realizadas por bicicleta.

Este trabalho propõe uma abordagem para responder a essa pergunta através da modelagem computacional dos fluxos de ciclistas em um SCB existente, relacionando-os a variáveis geográficas, sociais, econômicas e meteorológicas dos locais e épocas em que as viagens ocorreram, gerando um modelo preditivo que pode ser extrapolado para outras regiões. Um modelo preditivo de regressão é desenvolvido a partir de uma abstração das viagens realizadas em regiões de origem e destino (fluxos), sendo os indicadores mencionados as variáveis de entrada, e a contagem de viagens realizadas dentro de cada fluxo a variável a ser predita pelo modelo.

São descritas em detalhes as fontes de dados usadas e a forma com que são integradas, bem como as limitações técnicas e computacionais encontradas.

Abstract

Bike Sharing Systems (BSS) have appeared over the last decade as a mobility option, mainly in large urban centers, offered by both public administration and private initiative. Acceptance and actual use of such system depends on mobility patterns inside the city and the existence of appropriate infrastructure for safely riding, in the form of cycle tracks or cycleways, separated from motor vehicles ways.

When someone wants to implement such a system in a city, a question arises: where should bike infrastructure be build? To answer it, it is needed to know the most performed paths by people in several hours of the day and periods of the year, and determine which of them, or which parts of them, are or could be performed by bicycle.

This work proposes an approach to answer that question through a computational modelling of cyclist flows in an existing BSS, connecting them to geographical, social, economical and meteorological variables of the places and time periods the trips occurred in, resulting in a predictive model that can be extrapolated to new places. It develops a predictive regression model using an abstraction of the performed trips in origin and destination regions (flows), being the mentioned indicators the input variables, and the in-flow trip counting the output variable to be predicted by the model.

The used data sources and the way they are integrated together, as well as the technical and computational limitations found are described in details.