This paper presents a bike itinerary choice model for a bike sharing system (BSS). Machine learning techniques are used to characterize the bike itineraries within a given day. We present a method to detect the ’most faithful’ users with respect to itinerary types and a Bayesian network model which emphasizes the link between the conditions with which the itinerary is chosen and the itinerary type.

Questo articolo presenta un modello di scelta di percorsi ciclabili per un sistema di bike sharing (SBS). Tecniche di machine learning vengono utilizzate per caratterizzare i percorsi in un dato giorno. In questo articolo viene presentato un metodo per rilevare gli utenti ’più fedeli’ rispetto ai tipi di itinerario e un modello ` di rete bayesiana che enfatizza il collegamento tra le condizioni in cui si sceglie l’itinerario e il tipo di itinerario.

Modeling Cyclists’ Itinerary Choices: Evidence from a Docking Station-Based Bike-Sharing System = Un modello per gli itinerari dei ciclisti: risultati da un bike-sharing a stazioni fisse / S. Gaito, G. Manzi, G. Saibene, S. Salini, M. Zignani - In: Smart Statistics for Smart Applications / [a cura di] G. Arbia, S. Peluso, A. Pini, G. Rivellini. - [s.l] : Pearson, 2019 Jun. - ISBN 9788891915108. - pp. 889-894 (( convegno Smart Statistics for Smart Applications tenutosi a Milano nel 2019.

Modeling Cyclists’ Itinerary Choices: Evidence from a Docking Station-Based Bike-Sharing System = Un modello per gli itinerari dei ciclisti: risultati da un bike-sharing a stazioni fisse

S. Gaito
Co-primo
;
G. Manzi
Co-primo
;
G. Saibene
Secondo
;
S. Salini
Penultimo
;
M. Zignani
Ultimo
2019

Abstract

This paper presents a bike itinerary choice model for a bike sharing system (BSS). Machine learning techniques are used to characterize the bike itineraries within a given day. We present a method to detect the ’most faithful’ users with respect to itinerary types and a Bayesian network model which emphasizes the link between the conditions with which the itinerary is chosen and the itinerary type.
Questo articolo presenta un modello di scelta di percorsi ciclabili per un sistema di bike sharing (SBS). Tecniche di machine learning vengono utilizzate per caratterizzare i percorsi in un dato giorno. In questo articolo viene presentato un metodo per rilevare gli utenti ’più fedeli’ rispetto ai tipi di itinerario e un modello ` di rete bayesiana che enfatizza il collegamento tra le condizioni in cui si sceglie l’itinerario e il tipo di itinerario.
Bike sharing; Bike itinerary choice; Machine learning; Bayesian Network
Settore SECS-S/01 - Statistica
Settore INF/01 - Informatica
giu-2019
https://it.pearson.com/docenti/universita/partnership/sis.html
Book Part (author)
File in questo prodotto:
File Dimensione Formato  
Gaito et al 2019.pdf

accesso aperto

Tipologia: Publisher's version/PDF
Dimensione 2.3 MB
Formato Adobe PDF
2.3 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/2434/657976
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact