Um novo artigo científico publicado pela Frontiers in Built Environment propõe uma abordagem integrada para melhorar o planeamento e a operação de sistemas de bike sharing. O estudo analisou dados de alta resolução do Capital Bikeshare, em Washington, D.C., entre julho e setembro de 2024, combinando análise de comportamento, redes espaciais, deteção de comunidades e previsão da procura.
A investigação identifica diferenças claras entre utilizadores regulares e ocasionais. Os membros do sistema tendem a realizar viagens mais curtas e repetitivas, associadas a deslocações quotidianas, enquanto os utilizadores ocasionais apresentam padrões mais longos e variados, frequentemente ligados a lazer e turismo. Esta distinção é particularmente útil para políticas de dimensionamento da oferta, redistribuição de bicicletas e desenho de estações.
Do ponto de vista territorial, o estudo confirma uma estrutura centro-periferia, com maior intensidade de utilização nas áreas centrais, comerciais e de negócios, e ligações mais frágeis nas zonas periféricas. A deteção de comunidades permitiu ainda reconhecer conjuntos de estações funcionalmente coerentes, alinhados com os usos urbanos existentes.
A componente preditiva recorreu a um modelo GRU, uma arquitetura de aprendizagem profunda adequada a séries temporais. O modelo apresentou desempenho superior a métodos de referência como ARIMA e redes neuronais recorrentes convencionais, alcançando R² de 0,89 na previsão horária ao nível da estação. Para as cidades, esta capacidade de previsão pode apoiar decisões operacionais em tempo quase real, reduzir desequilíbrios entre estações e tornar a micromobilidade partilhada mais fiável.
Fonte principal: Zhang, W.; Tan, H.; Bian, Y.; Chen, Q. “Optimizing Bike-Sharing Systems for Low-Carbon Urban Mobility: A Spatiotemporal Analytics and GRU-Based Prediction Framework”. Frontiers in Built Environment, 2026. DOI: 10.3389/fbuil.2026.1789901.