Czy można przewidzieć, kiedy i gdzie ludzie wypożyczą elektryczną hulajnogę? Okazuje się, że tak – i to z bardzo dużą dokładnością. W nowej publikacji badacze pokazują, jak użycie zaawansowanych algorytmów, takich jak XGBoost, może zrewolucjonizować zarządzanie mikromobilnością w miastach.

🌍 Tło: Mikromobilność i problem popytu

W wielu miastach świata bezdokowe hulajnogi elektryczne stały się codziennym środkiem transportu. Jednak dla operatorów pozostaje kluczowe pytanie:

Gdzie i kiedy ludzie będą chcieli skorzystać z hulajnogi?

Zbyt dużo pojazdów w jednej lokalizacji to marnotrawstwo. Zbyt mało – to utracony dochód i sfrustrowani użytkownicy. Dlatego trafne przewidywanie popytu jest niezwykle istotne.

🧠 Publikacja: Trójwymiarowy model predykcji

Autorzy pracy z arXiv 2507.02715 opracowali kompleksowy framework uczenia maszynowego, który łączy trzy typy danych:

  • Czasowe (np. godzina, dzień tygodnia, pogoda),
  • Przestrzenne (np. odległość do transportu publicznego, liczba punktów POI w okolicy),
  • Sieciowe (czyli zależności pomiędzy lokalizacjami, np. jak często przemieszczają się między nimi użytkownicy).

Z tych danych wygenerowali aż 341 cech wejściowych, które następnie podano do modelu XGBoost.

🌳 Czym jest XGBoost?

XGBoost to skrót od eXtreme Gradient Boosting. Jest to model:

  • Złożony z wielu drzew decyzyjnych,
  • Każde kolejne drzewo poprawia błędy poprzednich – tzw. boosting gradientowy,
  • Działa bardzo szybko i świetnie radzi sobie z danymi tabelarycznymi.

🛠️ Jak działa?

  1. Startuje od prostej prognozy (np. średnia),
  2. Oblicza błąd i gradient,
  3. Buduje nowe drzewo na tych gradientach,
  4. Dodaje wynik nowego drzewa do poprzedniej predykcji.

Wzór końcowy:
$ y_{ ext{pred}} = f_0 + \eta \cdot T_1(x) + \eta \cdot T_2(x) + \dots + \eta \cdot T_N(x) $

📈 Dlaczego działa?

Model dobrze działa w publikacji, bo:

  • Dane były dobrze przetworzone,
  • XGBoost radzi sobie z nieliniowością (np. temperatura, godzina),
  • SHAP pokazał, że najważniejsze cechy to topologia sieci (np. centralność punktów).

🔬 Wyniki

  • Model poprawił trafność o 27–49% w porównaniu z innymi podejściami,
  • Względem modeli czasowych (Prophet) – nawet do 90%.

📚 Link

👉 arXiv:2507.02715