Time Series Analysis and Forecasting for Taxi Traffic

Abstract

Digitalisaatio on tuonut dataa yrityksille kiihtyvällä tahdilla, mutta yrityksillä on ollut haasteita ymmärtää mahdollisuudet mitä tästä datasta löytyy. Suur-yritykset kuten Google ja Facebook ovat käyttäneet dataa toiminnassaan jatkuvasti enemmän, mikä on puolestaan herättänyt muita yrityksiä datassa olevista mahdollisuuksista. Tämä muutos on ollut hitaampaa yrityksissä, joiden päätoimi ei ole tietotekniikassa, joilla voi kestää vuosi kymmeniä ennen uuden teknologian hyödyntämistä. Taksi yritykset ovat heränneet tähän tarpeeseen uusien yritysten kuten Uber ja Lyft ilmaantumisen myötä, jotka ovat sijoittaneet huomattavia summia teknologiaan.

Vaikka taksi yritykset hyödyntävät teknologiaa useilla eri alueilla ja ovat näin kerryttäneet yli vuosikymmenen ajan dataa ilman että tätä dataa on hyödynnetty kuin pintatasoisesti. Historiallisen datan saatavuus ja jatkuva uuden datan saaminen on pohjia erinomaiselle mahdollisuudelle luoda uusia palveluja, jotka hyödyttäisivät niin dataa keräävää yritystä kuin dataa tuottavia taksi kuskeja. Suurin osa päätöksistä, joita taksi kuskit tekevät työpäivänsä aikana ovat heidän asiantuntemuksensa varassa, jonka he ovat kartuttaneet vuosien työkokemuksen avulla. Tieto siitä minne kuskin kannattaa suunnata päivän minäkin tuntina voi olla haastavaa monista syistä ja siksi loistava kandidaatti datan avulla luotavalle tietopohjaiselle päättämiselle.

Tämä opinnäytetyö käyttää hyväkseen saatavilla olevaa dataa ja antaa suosituksen parhaasta ennuste mallista. Data tuodaan ensin tietokannasta, puhdistetaan, kootaan kahteen eri aikasarjaan, analysoidaan ja ennustetaan. Lopuksi ennusteiden tarkkuudet analysoidaan, josta paras ennuste malli voidaan valita. Tämä opinnäytetyö vastaa kysymyksiin siitä pystyykö ennustemallit tuottamaan parempia ennusteita kuin pohjamallit ja mikä ennustemalli tuottaa tarkimman tuloksen. Tämä luo tarvittavan pohjan tulevalle työlle joka tulisi tehdä, jotta taksi kuskit saisivat käyttöönsä lopullisen ennustetyökalun, jonka avulla he voivat tehdä päätöksiä sijainnin kannattavuudesta.

Digitalization has brought ever increasing amounts of data to companies’ disposal, but they also struggle to realize the potential that lies within this accumulated data. With the emergence of tech-giants such as Google and Facebook utilizing more and more of the data they procure companies have woken up to the possibility of finding new ways to utilize the data they have. It can take these companies years if not decades to wake up to these new potentials. Although already using technology and digital services, taxi companies can be sitting on over decades worth of data without realizing the potential hiding in this. Presence of historical data and constant stream of new data provides an excellent opportunity to create services that would benefit both the company who owns the data, as well as the taxi drivers who create this data. Traditionally many of the decisions made by taxi drivers has been based on intuition and expertise accumulated throughout years of working in the same area. This creates a problem when the average length of a taxi drivers’ career is in decline.

The objective of this thesis was to analyze and identify the best performing forecasting model for the available taxi traffic data. This thesis was based on data that was collected from taxi traffic prior to this thesis. As the data was naturally time series data, time series analytics and forecasting methods were explored. Linear regression, ARIMA, and automatic ARIMA models were compared for their forecasting performance. Four simple forecasting models were utilized in addition to provide a reference point for the bottom-line performance the forecasting models should outperform to be considered better than blind guessing. Python and R languages were utilized to pull, aggregate, analyze, and forecast the data.

This thesis concluded that ARIMA and automatic ARIMA models performed the best, and only had marginal difference between each other while also clearly outperforming the baseline models. This outcome provides the customer company with the required foundation for future work that would be needed to be performed before the completed software could be utilized by the taxi drivers to forecast a location’s profitability. Therefore, recommended future work would be to explore the possibility of an AI model for the data and optimizing the solution. The optimization would include work such as exploring different aggregation methods, analyzing the performance of the forecasting model with differing volumes of data, and transforming the code into an API.