Optimizing Bike Sharing Systems in Smart Cities: A Machine Learning Forecasting Model

Bike sharing systems have emerged as a cornerstone of urban mobility in smart cities, offering numerous benefits including enhanced convenience, reduced traffic congestion, lower emissions, and improved public health. These systems also present unique opportunities for optimization through advanced data analytics, given the voluminous data they generate. This thesis presents an innovative approach to predicting bike sharing demand in London, a city with a substantial bike sharing infrastructure encompassing over 788 bike sharing stations, and over 10 million yearly bike trips. Leveraging sophisticated machine learning architectures, such as XGBoost (eXtreme Gradient Boosting) models, this research aims to accurately forecast demand patterns. By integrating comprehensive weather data and historical usage patterns, the study develops a predictive framework with a Mean Absolute Error of less than 2 that not only enhances the efficiency of bike sharing services but also contributes to the broader goals of urban sustainability and mobility. The methodologies and findings of this work hold significant implications for urban planners, policy makers, and bike sharing operators, offering a data-driven foundation for optimizing the deployment and management of bike sharing systems in London and other smart cities globally.

I sistemi di bike sharing sono emersi come una chiave di volta della mobilità urbana nelle Smart City, offrendo numerosi vantaggi tra cui una maggiore comodità, una riduzione della congestione del traffico, una diminuzione delle emissioni e un miglioramento della salute pubblica. Questi sistemi presentano anche opportunità uniche di ottimizzazione attraverso l'analisi avanzata dei dati, data la voluminosa quantità di dati che generano. Questa tesi presenta un approccio innovativo alla previsione della domanda di bike sharing a Londra, una città con una notevole infrastruttura di bike sharing che comprende oltre 788 stazioni di bike sharing e oltre 10 milioni di viaggi annuali in bicicletta. Sfruttando sofisticate architetture di apprendimento automatico, come i modelli XGBoost (eXtreme Gradient Boosting), questa ricerca mira a prevedere con precisione i modelli di domanda. Integrando dati meteorologici completi e modelli di utilizzo storici, lo studio sviluppa un quadro predittivo con un Errore Assoluto Medio inferiore a 2 che non solo migliora l'efficienza dei servizi di bike sharing, ma contribuisce anche agli obiettivi più ampi di sostenibilità urbana e mobilità. Le metodologie e i risultati di questo lavoro hanno notevoli valenze per gli urbanisti, i responsabili politici e gli operatori del bike sharing, offrendo una base basata sui dati per ottimizzare la diffusione e la gestione dei sistemi di bike sharing a Londra e in altre Smart City a livello globale.