Deep learning techniques have shown to improve by far existing methods in many engineering problems whenever large amounts of data is available and powerful processors (GPUs) are available for training. In Urban Mobility issues, large amounts of data might be generated and analyzed, for example, to choose dynamic routing to reduce traffic congestion. In this project we pretend to apply deep learning techniques, specifically LSTM, to improve an aspect of Urban Mobility in the Metropolitan Area of Barcelona. The main goal of this project is to predict, from a sequence of pick-ups and drop-offs, the next pick-up of car sharing, taxis, and other passenger vehicles. The pick-up must be a hotspot, being a hotspot a place that stands out above the other collecting points.
Las técnicas de aprendizaje profundo han demostrado que mejoran los métodos existentes en muchos problemas de ingeniería siempre que haya grandes cantidades de datos y se dispongan de procesadores potentes (GPUs) para el entrenamiento. En problemas de movilidad urbana se pueden generar y analizar grandes cantidades de datos, por ejemplo, para elegir de manera dinámica una ruta para reducir la congestión del tráfico. En este proyecto se pretende aplicar técnicas de aprendizaje profundo, específicamente LSTM, para mejorar uno de los aspectos de la Movilidad Urbana en el Área Metropolitana de Barcelona. El objetivo principal de este proyecto es predecir, a partir de una secuencia de puntos de inicio y finalización, el próximo punto de recogida de car sharing, taxis y otros vehículos de pasajeros. Este punto de recogida es un hotspot, es decir, un punto que destaca por encima de los otros puntos de recogida.
Les tècniques d’aprenentatge profund han demostrat que milloren els mètodes existents en molts problemes d’enginyeria sempre que hi hagin grans quantitats de dades i es disposin de processadors potents (GPUs) per a l’entrenament. En problemes de mobilitat urbana es poden generar i analitzar gran quantitats de dades, per exemple, per elegir de manera dinàmica una ruta per tal reduir la congestió del trànsit. En aquest projecte es pretén aplicar tècniques d'aprenentatge profund, específicament LSTM, per tal de millorar un dels aspectes de la Mobilitat Urbana a l’Àrea Metropolitana de Barcelona. L’objectiu principal d’aquest projecte és predir, a partir d’una seqüència de punts d’inici i finalització, el proper punt de recollida de car sharing, taxis i altres vehicles de passatgers. Aquest punt de recollida és un hotspot , és a dir, un punt que destaca per sobre dels altres punts de recollida.
