Previsão de pontos finais de trajetórias de táxi

Projeto de previsões de pontos de chegada em corridas de táxi na cidade do Porto, Portugal.

Problema de Negócio

Sobre o Negócio:

• Com as novas tecnologias atuais, a indústria de táxis precisou se reinventar para não ficar para trás em relação aos seus novos concorrentes;
• Um dos desafios é a adaptação ao novo sistema eletrônico de despacho em tempo real, instalados nos veículos.

Sobre o Problema:

• O sistema conta com um problema: a falta de informação sobre o destino final das corridas, pois os motoristas não indicam o destino;
• Com as mensagens unicast (1:1) os despachantes precisam identificar corretamente qual táxi enviar para uma localização de coleta, o que se torna difícil quando não se sabe o destino final dos táxis em serviço;
• Em razão desse problema, a proposta é desenvolver um modelo preditivo que seja capaz de inferir o destino final de corridas de táxi com base em suas localizações de coleta.

Benefícios da solução:

Assim, é possível melhorar a eficiência do sistema de despacho eletrônico de taxistas, permitindo uma identificação ágil de qual motorista encaminhar para cada solicitação de corrida, especialmente durante períodos de alta demanda.

Objetivos

• Entender o problema de negócio
• Análise dos dados das viagens
• Modelo de previsão de ponto de destino
• PowerPoint descrevendo o problema e conclusões

Dataset

Data Overview:

• Essa é a etapa em que temos o primeiro contato com os dados, para saber com o que vamos lidar no projeto;
• É importante se atentar às dimensões do dataset, aos tipos das variáveis, quais colunas possuem dados faltantes e qual a sua participação no todo, por exemplo;
• Outra prática comum é realizar uma breve descrição das colunas, como:

Variável	Descrição	Tipo
TRIP_ID	Identificação de cada viagem.	int
CALL_TYPE	Identifica a maneira que o serviço aconteceu (A, B ou C)	object
ORIGIN_CALL	Identificação de número de telefone que pediu táxi	float
ORIGIN_STAND	Ponto de táxi em que o pedido foi realizado	float
TAXI_ID	Identificação do Táxi	int
TIMESTAMP	Timestamp indicando quando ocorreu a corrida	int
DAY_TYPE	Indica o tipo de dia (A, B ou C)	object
MISSING_DATA	Indica se há falta de dados	bool
POLYLINE	Sequência de coordenadas geográficas do trajeto	object

Pré-processamento:

• Etapa que antecede a Análise Exploratória, portanto, os dados são preparados para melhor analisá-los;
• A primeira transformação é no nome das colunas para snake_case;
• Transformação da variávei timestamp de segundos para um estilo mais legível, como dia-mês-ano;
• Criação de novas variáveis a partir de timestamp: hora, dia, semana, mês, ano;
• Novas colunas com os nomes dos dias e dos meses;
• Filtragem de linhas para o período de Julho a Novembro de 2013;
• Cálculo da distância percorrida (Haversine distance) pelos táxis a partir das coordenadas geográficas em polyline;
• A partir das distâncias, percebeu-se que algumas eram muito grandes em relação às demais, pois algumas coordenadas estavam erradas (trajetos sobre o mar);
• Por último, excluiu-se linhas em que a distância era muito grande (> 0.975) e muito pequena (<0.025);

Análise Exploratória

Qual a distribução das viagens por dia?

• É possível ver que as corridas acontecem em ondas pequenas de frequência;
• Agosto é um período com menos corridas por dia, provavelmente em razão do verão e pela cidade do Porto não ser um dos principais destinos nessa estação como o Algarve é.

Qual o dia da semana com mais corridas? Qual dia se percorre as maiores distâncias?

• O dia em que acontece mais viagens é a sexta-feira, seguida pelo sábado e pela quinta-feira;

• Por outro lado, os dias com menos corridas são domingo e segunda-feira;

• Interessantemente, domingo é de longe o dia em que se percorre as maiores distâncias médias;

• Os outros dias não apresentam muita diferência nas distâncias médias, mas a segunda-feira está em segundo lugar enquanto a terça-feira é o dia com menores distâncias percorridas;

• Este resultado vai de encontro com as "pequenas ondas" vistas no ponto 6 (corridas por dia), onde os dias com mais corridas estão no final da semana.

  Qual o comportamento das distâncias percorridas por hora do dia?

• O maior volume de corridas acontece entre às 8h e às 10h da manhã, com uma diminuição no horário de almoço e retomada de um forte volume das 13h às 15h;

• A menor quantidade de corridas é realizada na madrugada, entre às 0h e às 6h;

• Por outro lado, as maiores distâncias médias percorridas estão nessa faixa de horário, mais precisamente das 3h às 6h;

• No resto do dia, as distâncias médias não oscilam tanto.

Feature Engineering

• Após a Análise Exploratória, os dados são preparados para serem modelados na etapa de Machine Learning;
• Criação de variáveis de início e fim dos trajetos, separados em latitude e longitude;
• Exclusão de variáveis desnecessárias para o modelo;
• One-Hot Encoding para call_type;
• Substituição de missing data nas variáveis de identificação origin_stand e origin_call por zeros;
• Train-test Split com amostra de tamanho 250 mil.

Machine Learning

• Dado o tamanho do dataset, escolheu-se trabalhar com lightgbm.LGBMRegressor;
• O modelo é reconhecido pela sua boa performance e rapidez com grandes datasets, como é o caso;
• LGBM também apresenta boa eficiência de memória computacional;
• Primeira modelagem sem alterações nos parâmetros e a segunda utilizando GridSearchCV;
• O melhor modelo foi exportado em pickle;
• Ao rodar o modelo salvo no dataset de teste, os resultados foram ainda melhores que os anteriores;
• O erro apresentado com raio menor que 1 quilômetro no ponto de destino.

Performances

Performance do Modelo

• O modelo performou bem e com resultados satisfatórios. Contudo, a base utilizada para a modelagem foi apenas uma fração do total em razão de limites computacionais;
• Acredita-se que utilizando a base inteira, o modelo LightGBM possa prever com mais exatidão os pontos de destino;
• Ademais, incrementar o GridSearchCV com mais parâmetros também pode resultar em modelos mais precisos;
• Ainda assim, o modelo resultou em bons resultados para a base de treino e resultados ainda melhores para o dataset de teste (erros menores).

Business Performance

Realizar a previsão do destino final de corridas de táxi com base em pontos iniciais pode trazer diversos benefícios financeiros à empresa, como:

1. Minimização de quilometragem vazia:

• Quilometragem vazia se refere aos quilômetros rodados por um táxi sem passageiros. Assim, prever o destino final com maior eficiência ajuda os motoristas a minimizarem essa quilometragem, enviando táxis para áreas onde provavelmente irão pegar novos passageiros após deixar os atuais. Esta prática também reduz o consumo de combustível e o desgaste dos veículos, gerando economia de custos.

2. Maior satisfação do cliente:

• A previsão otimizada de destinos pode levar a tempos de resposta mais rápidos, resultando em tempos de espera reduzidos para os clientes. Assim, a capacidade de resposta mais rápida contribui para uma maior satisfação do cliente e maior fidelidade.

3. Otimização de recursos:

• Saber o destino final permite que os táxis estejam disponíveis em áreas de alta demanda durante os horários de pico. Com o passar do tempo, a prática resulta em melhor utilização de recursos e aumento da receita.

4. Mais viagens em menos tempo:

• Com a otimização do serviço e dos tempos de espera, os táxis podem completar mais viagens em um menor período de tempo. O aumento no volume de viagens também contribui para uma maior geração de receita para a empresa.

5. Planejamento operacional:

• Com a análise de dados históricos e o constante melhoramento na previsão de futuras trajetórias, é possívelse programar melhor e gerenciar a frota de táxis conforme a demanda e os dias.

6. Vantagem competitiva:

• A capacidade de prever com precisão os destinos dos táxis e fornecer um serviço eficiente pode dar à empresa uma vantagem competitiva no mercado em relação aos seus concorrentes. Isso pode atrair mais clientes e ajudar a reter os existentes.