Uppskattning av taxibeställningar med artificiella neurala nätverk

In this report a machine learning method using artificial neural networks to estimate taxi demand in different geographical zones in the city of Stockholm is proposed. An attempt to determine the most important input features that affect taxi ridership is performed and a network architecture is conceived and trained using taxi ridership data from a major taxi company operating in the city. The results show that except for the two basic input parameters, the hour of the day and the zone, the day of the week is clearly the most important factor. Also days after payment and month of the year seems to be mildly relevant factors while rain and temperature hardly affect the results at all. The final network model conceived was capable of estimating taxi demand in Stockholm with an average error of 2.73 rides and a success rate of 46 % of the rides using a boundary of 30 % or 1 ride.I den här rapporten utvecklas och utvärderas en metod för att uppskatta taxibehov i olika geografiska zoner i Stockholm med hjälp av artificiella neurala nätverk. Rapporten fokuserar på att ta reda på de mest relevanta parametrarna som påverkar taxiåkande. Dessa används som indata till ett neuralt nätverk som tränas med historisk data från ett av Stockholms största taxibolag. Resultaten visar hur vissa parametrar såsom timme på dygnet samt veckodag tydligt påverkar mängden taxiresor i olika områden medan andra parametrar såsom temperatur och nederbörd knappt påverkar taxiresande alls. Det slutliga valet av modell och inputparametrar lyckas förutspå korrekt antal körningar med ett snittfel på 2.73 körningar eller i 46 % av fallen i testdatan när man räknar en korrekt uppskattning att ligga som mest 30 % eller en körning ifrån det korrekta värdet