Universitat Autònoma de Barcelona
Public transport smart cards are widely used around the world. However, while they provide information about various aspects of passenger behavior, they have not been properly exploited to predict demand. Indeed, traditional methods in economics employ linear unbiased estimators that pay little attention to accuracy, which is the main problem faced by the sector's regulators. This paper reports the application of various supervised machine learning (SML) techniques to smart card data in order to forecast demand, and it compares these outcomes with traditional linear model estimates. We conclude that the forecasts obtained from these algorithms are much more accurate.
English
Aprenentatge automàtic; Demanda (Teoria econòmica); Previsió econòmica; Transport públic; Targetes intel·ligents; Machine learning; Demand (Economic theory); Economic forecasting; Lcoal transit; Smart cards
Xarxa de Referència en Economia Aplicada (XREAP)
Xarxa de Referència en Economia Aplicada (XREAP). Documents de treball de la Xarxa de Referència en Economia Aplicada (XREAP) ;
open access
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
https://creativecommons.org/licenses/by-nc-nd/4.0/
