A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas

Resumo Técnico: Framework Baseado em Grade e Design de Entrada Temporal para Previsão de Demanda de Patinetes Elétricos

1. Problema e Motivação

A previsão de demanda em sistemas de micromobilidade compartilhada (como patinetes elétricos) é crucial para o gerenciamento de frotas, estratégias de reequilíbrio e planejamento de infraestrutura. Embora existam avanços significativos em arquiteturas de Deep Learning (DL) para essa tarefa, a literatura apresenta duas lacunas metodológicas críticas:

1. Falta de Padronização na Representação de Dados: A transformação de registros brutos de viagens em superfícies de demanda espacialmente estruturadas (grades) é frequentemente tratada como um passo de pré-processamento heurístico, sem um framework formal, reproduzível e validado estatisticamente.
2. Design Heurístico de Entradas Temporais: O horizonte de entrada histórica (janela de look-back) é geralmente definido de forma arbitrária ou baseada em testes empíricos simples, sem validação estatística rigorosa. Isso pode levar à perda de padrões temporais informativos (como periodicidades diárias e semanais) ou ao uso de janelas excessivamente grandes que introduzem ruído.

Além disso, as práticas de avaliação frequentemente ignoram áreas de demanda zero em grades esparsas, diluindo as métricas de erro e obscurecendo o desempenho real em zonas operacionais relevantes.

2. Metodologia Proposta

Os autores desenvolveram um pipeline de processamento de dados e uma metodologia estatística para o design de entradas temporais, utilizando dados de patinetes elétricos de Austin, Texas (2019).

A. Pipeline de Processamento de Dados (Framework Baseado em Grade):

• Fonte de Dados: 15 milhões de registros brutos (2018-2022), filtrados para 4,9 milhões de viagens de patinetes elétricos em 2019.
• Geoespaço: Mapeamento de identificadores de Census Tract (Setor Censitário) para coordenadas de centróide, restringidas aos limites municipais de Austin.
• Discretização Espacial: Transformação dos dados em imagens de demanda horária (pick-up e drop-off) sobre uma grade retangular uniforme de 240m x 220m.
  • Resolução final da imagem: 241 x 217 pixels.
  • Isso permite o uso de arquiteturas de aprendizado profundo baseadas em imagens (Image-to-Image).
• Máscara de Atividade Global: Criação de uma máscara binária que identifica apenas as células da grade com demanda histórica ativa. Todas as métricas de erro e treinamento são calculadas exclusivamente sobre essa área, evitando a penalização por células vazias (demanda zero).

B. Design de Entrada Temporal e Seleção de Lags:

• Seleção de Lags Históricos: Em vez de usar uma janela deslizante fixa, os autores propõem uma seleção combinada baseada em:
  1. Correlação de Pearson: Para medir a similaridade estrutural espacial entre a demanda atual e histórica.
  2. Análise de Erro (MAE): Para medir a magnitude da diferença entre a demanda atual e histórica.
  • Uma agregação de classificação (rank aggregation) sem pesos arbitrários é usada para identificar os lags (atrasos temporais) mais informativos.
• Determinação da Profundidade Temporal Ótima: Realização de um estudo de ablação controlado usando o modelo UNET (Encoder-Decoder).
  • Testam-se diferentes quantidades de canais de entrada (histórico de lags).
  • Utiliza-se testes estatísticos pareados não paramétricos (Wilcoxon Signed-Rank) com correção de Holm para determinar se a redução de canais resulta em degradação estatisticamente significativa ou se uma configuração mais simples é "não-inferior" (dentro de uma margem de tolerância de 2%).

C. Configuração Experimental:

• Modelo: UNET padrão (sem modificações arquiteturais complexas) para isolar o impacto do design de entrada temporal.
• Horizontes de Previsão: Próxima hora (Next-hour) e Próximas 24 horas (Next-24-hour).
• Métricas: MSE (Erro Quadrático Médio), MAE, R² e MaxAE, todos calculados com a máscara de atividade.
• Validação: Divisão temporal estrita (Treino, Validação, Teste) com janelas não sobrepostas para evitar vazamento de dados.

3. Principais Contribuições

1. Pipeline Reproduzível: Um framework formalizado que transforma registros de viagens em imagens de demanda horária estruturadas, incluindo a geração de máscaras de atividade para lidar com a esparsidade dos dados.
2. Metodologia Estatística para Lags: Uma abordagem baseada em correlação e erro para identificar padrões históricos informativos, substituindo a escolha heurística de janelas temporais.
3. Validação Rigorosa: Uso de testes de hipóteses pareados com correção de Holm para selecionar a profundidade temporal ótima e validar a superioridade estatística sobre baselines comuns, garantindo que as melhorias não sejam fruto do acaso.

4. Resultados Principais

Os experimentos compararam o método proposto contra dois baselines:

• Recent Adjacent History: Janela de horas consecutivas recentes.
• Fixed-Period History: Mesma hora de dias anteriores (periodicidade fixa).

Configurações Ótimas Identificadas:

• Previsão para a Próxima Hora: A configuração ótima possui 36 canais (18 lags de pick-up + 18 de drop-off). Inclui persistência imediata (1-3 horas) e periodicidades diárias/semanais (24h, 168h, etc.).
• Previsão para 24 Horas: A configuração ótima (não-inferior) possui 18 canais (9 lags de cada tipo), focando mais em periodicidades diárias e semanais do que em horas adjacentes.

Desempenho no Conjunto de Teste:

• Redução de Erro: O método proposto reduziu o MSE em até 37% para a previsão da próxima hora e 35% para a previsão de 24 horas em comparação com os baselines, com significância estatística confirmada (p-valores corrigidos por Holm extremamente baixos).
• Métricas: O método proposto obteve os menores valores de MSE, MAE e MaxAE e o maior R² em ambos os horizontes.
• Inferência: Para a previsão de 24 horas, a periodicidade fixa superou a história adjacente, indicando que padrões cíclicos são mais importantes para horizontes longos do que a persistência imediata.

5. Significado e Conclusão

O estudo demonstra que o design da entrada temporal é um determinante crítico para o desempenho de modelos de Deep Learning em previsão de demanda de micromobilidade, muitas vezes mais impactante do que a complexidade da arquitetura da rede.

• Estrutura Temporal Híbrida: A previsão precisa combinar persistência de curto prazo (horas adjacentes) com padrões recorrentes de longo prazo (diários e semanais).
• Eficiência Computacional: É possível reduzir a complexidade do modelo (número de canais) sem perda de acurácia, desde que os lags selecionados sejam estatisticamente validados.
• Reprodutibilidade: O framework proposto oferece um padrão para a construção de conjuntos de dados espaciais-temporais, essencial para a comparação justa entre diferentes estudos na área.

O trabalho sugere que futuras pesquisas devem focar em arquiteturas que incorporem essa estrutura de entrada otimizada, possivelmente adicionando variáveis exógenas (clima, eventos) e mecanismos de atenção para lidar com a heterogeneidade comportamental, mas mantendo a base de entrada temporal rigorosamente validada.