Como um modelo simples de IA prevê a disponibilidade de portas

Experimentos

Nossa avaliação foi projetada para ser rigorosa e representativa do uso no mundo real. Para os horizontes de tempo de 30 e 60 minutos, avaliamos as previsões em 100 estações selecionadas aleatoriamente, amostrando seu status de ocupação 48 vezes ao dia (a cada 30 minutos) durante uma semana inteira.

O modelo foi comparado com uma linha de base notavelmente forte: a abordagem “Manter o Estado Atual”. Esta linha de base simplesmente assume que o número de portas disponíveis é um determinado número de minutos (H) no futuro será exatamente igual ao número atual.

Embora simples, esta linha de base é muito difícil de superar, especialmente em horizontes curtos. Por exemplo, os nossos dados mostraram que na Costa Leste dos EUA, nunca mais de 10% dos portos alteram o seu estado de disponibilidade num bloco de 30 minutos. Como na maioria das vezes o estado não muda, a previsão mais simples — nenhuma mudança — é correta na maioria das vezes, tornando a tarefa de agregar valor preditivo extremamente difícil.

Nós nos concentramos em duas métricas principais para medir a precisão do modelo para prever o número exato de portas livres: erro quadrático médio (MSE) e erro absoluto médio (MAE). Uma proporção de MSE/MAE ≥ 1 porta livre mede a precisão da tarefa binária mais crítica para o usuário: “Encontrarei pelo menos uma porta livre (Sim/Não)?”