Optimierung der städtischen Mobilität mit bedarfsgesteuertem Ride-Pooling

Bis zum Jahr 2050 wird ein grosser Teil der Weltbevölkerung in Städten leben, was zu mehr Reisen, Staus und Verschmutzung führt. Trotz einer kurzen Reduzierung des Verkehrs während der COVID-19-Pandemie haben viele Städte wieder das vorherige Stau-Niveau erreicht. Die Transportbranche ist auch eine bedeutende Quelle für Treibhausgasemissionen. Daher ist die Verbesserung der Verkehrseffizienz entscheidend, um Ressourcenprobleme und den Klimawandel anzugehen und gleichzeitig den Transportbedarf der Menschen zu decken.

#On-Demand Ride-Pooling Dienste

Traditionelle private Fahrzeuge sind oft ineffizient, da nur wenige Passagiere pro Fahrt befördert werden. On-Demand Ride-Pooling (ODRP) Dienste sind als bessere Option entstanden. Bei diesen Diensten fordern Nutzer Fahrten an und das System gruppiert Fahrten, sodass mehrere Kunden ein Fahrzeug teilen können. Dieser Ansatz kann die Anzahl der Autos auf der Strasse verringern und die Passagieranzahl pro Fahrzeug erhöhen. Autonome Fahrzeuge könnten ODRP-Dienste für die Nutzer sogar noch erschwinglicher machen.

#Potenzielle Vorteile von ODRP-Diensten

Neueste Studien haben untersucht, wie effektiv ODRP-Dienste sein können. Zum Beispiel fand eine Studie heraus, dass eine relativ kleine Anzahl von Fahrzeugen die Taxinachfrage in einer pulsierenden Stadt wie New York decken könnte. Eine andere Studie schlug vor, dass das Ersetzen von privaten Fahrten durch ODRP-Dienste die Stauprobleme in Städten wie Prag erheblich verringern könnte. Diese Studien gingen jedoch davon aus, dass eine grosse Zahl von Menschen ODRP-Dienste täglich nutzen würde, was notwendig ist, damit Shared Rides effektiv funktionieren.

Andere Forschungen haben gezeigt, dass die Dichte der Fahrtanfragen eine entscheidende Rolle für den Erfolg von Ride-Pooling spielt. Eine höhere Anfrage-Dichte ermöglicht mehr Gelegenheiten, Fahrten zu kombinieren und die Zahl der leeren Fahrten zu reduzieren.

#Herausforderungen bei ODRP-Diensten

Eines der Hauptprobleme bei der Bereitstellung von ODRP-Diensten ist, wie man die Fahrzeugflotte verwalten kann, bekannt als das Dial-a-Ride Problem (DARP). Dieses Problem wird seit Jahrzehnten untersucht und ist komplex, was es schwierig macht, Lösungen für grössere Systeme zu finden. Um die Leistung zu verbessern, wurden viele Methoden entwickelt, einschliesslich heuristischer Ansätze, die schnelle Lösungen bieten, ohne das gesamte Problem genau lösen zu müssen.

Jedoch berücksichtigen viele dieser Methoden nicht die zukünftige Nachfrage, was zu einem Ungleichgewicht in der Fahrzeugverteilung führen kann. Dieses Ungleichgewicht kann lange Wartezeiten für Kunden in stark nachgefragten Gebieten verursachen, während Fahrzeuge in Gebieten mit geringer Nachfrage untätig bleiben.

#Vorgeschlagenes Algorithmus zur Neuausbalancierung von Fahrzeugen

Um die Herausforderung des Fahrzeugungleichgewichts anzugehen, schlägt diese Studie einen neuen Algorithmus vor, der untätige Fahrzeuge strategisch basierend auf der prognostizierten zukünftigen Nachfrage umverteilt. Durch das Sampling aus Nachfrageprognosen antizipiert der Algorithmus, wo Fahrzeuge am meisten benötigt werden, was informiertere Umschichtungsentscheidungen ermöglicht.

Der Ansatz besteht aus mehreren Teilen. Zuerst überprüft die Studie die bestehenden Methoden zur Bewältigung von Neuausbalancierungsherausforderungen. Danach beschreibt sie die Methodologie, die in dieser Studie verwendet wird, gefolgt von einer Fallstudie mit Transportdaten aus Chicago.

#Literaturübersicht zu Neuausbalancierungsmethoden

Das Neuausbalancierungsproblem ist besonders relevant in dynamischen, unvorhersehbaren Systemen. Ein einfacher reaktiver Ansatz könnte zu Ungleichgewichten führen, wenn die Nachfrage-Muster unregelmässig sind. Dieses Problem ist häufig in Mobilitätsdiensten auf Abruf, wurde aber auch in Notfallszenarien untersucht.

Für Mobilitätsdienste auf Abruf betreiben in der Regel dedizierte Fahrer jedes Fahrzeug, was kontinuierliche Neuausbalancierungsentscheidungen ermöglicht. Traditionelle Ride-Hailing-Dienste haben jedoch normalerweise Fahrer, die sich basierend auf individuellen Gewinnmotiven repositionieren. Diese Studie konzentriert sich auf einen zentral gesteuerten ODRP-Dienst, bei dem ein Betreiber Entscheidungen trifft, um die Gesamtleistung zu optimieren.

Es gibt mehrere Methodologien für Ride-Hailing-Dienste, die keine geteilten Fahrten zulassen. Der häufigste Ansatz besteht darin, die Nachfrageprognosen nach Zonen zu gruppieren, um die Anzahl der Fahrzeuge effektiv zu verwalten.

Wenn Fahrten geteilt werden können, wird die Situation komplizierter. Verschiedene Studien haben verschiedene Methoden vorgeschlagen, um mit dieser Komplexität umzugehen, einschliesslich Modelle, die prädiktive Kontrolle nutzen und andere Ansätze, die Machine-Learning-Techniken einsetzen.

Einige Forscher haben auch vorgeschlagen, zukünftige Anfragen zu samplen, um Versorgungsengpässe zu schätzen und potenzielle Fahrzeugrouten entsprechend zu berechnen. Diese Methode kann jedoch rechenintensiv sein und für grössere Systeme möglicherweise nicht gut funktionieren.

Diese Studie führt eine neue Methode ein, die sich auf das Sampling von Anfragen aus Nachfrageprognosen konzentriert, während die rechnerische Effizienz im Auge behalten wird. Der vorgeschlagene Algorithmus balanciert die Notwendigkeit genauer zukünftiger Nachfrageschätzungen mit der Anforderung an schnelle Entscheidungen.

#Simulationsrahmen

Der vorgeschlagene Algorithmus wird in einen agentenbasierten Simulationsrahmen integriert, der es ihm erlaubt, in einer realistischen Umgebung zu funktionieren. Die Simulation modelliert, wie Kunden Fahrten anfordern und wie der Betreiber die Fahrzeuge entsprechend zuweist.

Kunden werden basierend auf ihren Standorten und erwarteten Abholzeiten Fahrtanfragen zugewiesen. Die Fahrzeuge fahren die schnellsten Routen, um Passagiere abzuholen und abzusetzen. Das Hauptziel des Betreibers ist es, Wartezeiten zu minimieren und die Anzahl der bedienten Anfragen zu maximieren.

#Fallstudie in Chicago

Der vorgeschlagene Algorithmus wird anhand von realen Daten aus Chicago getestet. Das Strassennetz der Stadt wird analysiert, und spezifische Zugangspunkte werden bestimmt, an denen Kunden ihre Fahrten beginnen und beenden können. Die Nachfrage nach dem ODRP-Dienst wird auf Basis tatsächlicher Transportdaten simuliert, was zu einer grossen Anzahl von Anfragen führt.

Die Studie bewertet die Leistung des vorgeschlagenen Algorithmus im Vergleich zu anderen Methoden. Sie nutzt verschiedene Prognosemethoden, um die zukünftige Nachfrage zu schätzen, und wendet verschiedene Neuausbalancierungsstrategien an, um deren Effektivität zu bestimmen.

#Ergebnisse und Diskussion

Die Ergebnisse zeigen, dass die Anwendung eines Neuausbalancierungsalgorithmus die Serviceleistung erheblich verbessert. Die Anzahl der bedienten Anfragen verdoppelt sich fast, wenn eine effektive Neuausbalancierungsstrategie vorhanden ist. In Szenarien ohne Neuausbalancierung bleiben viele Fahrzeuge in Gebieten mit geringer Nachfrage untätig, was die Gesamteffektivität des Dienstes drastisch reduziert.

Im Vergleich dazu sind bei Nutzung der Neuausbalancierung die Fahrzeuge gleichmässiger in der Stadt verteilt, sodass sie schnell auf neue Fahrtanfragen reagieren können. Die Analyse zeigt, dass bereits eine moderate Erhöhung der Anzahl von Fahrzeugen zu verbesserten Servicequoten führen kann, was die Bedeutung der Fahrzeugpositionierung hervorhebt.

Die Studie evaluiert auch verschiedene wichtige Leistungsindikatoren (KPIs) wie Fahrzeug-Einnahme-Stunden, Wartezeiten der Kunden und von leeren Fahrzeugen zurückgelegte Distanzen. Die Daten zeigen, dass Fahrzeuge für deutlich längere Zeiträume Einnahmen generieren, wenn Neuausbalancierungsalgorithmen verwendet werden, was zu einer besseren finanziellen Gesamtleistung des Betreibers führt.

#Vergleich mit anderen Algorithmen

Die vorgeschlagene Sampling-Methode übertraf andere getestete Neuausbalancierungsalgorithmen in der Studie. Selbst bei Verwendung einer einfachen Prognosemethode zeigte der Sampling-Algorithmus bessere Ergebnisse als Methoden, die keine zukünftigen Nachfrageprognosen einbezogen. Der traditionelle Ansatz der Warteschlangentheorie schnitt am schlechtesten ab, was darauf hinweist, dass dynamischere und prädiktivere Methoden für optimale Leistungen benötigt werden.

#Sensitivitätsanalyse

Die Studie bewertete auch, wie empfindlich der vorgeschlagene Algorithmus auf Veränderungen der Parameter wie den Prognosehorizont und die Anzahl der Samples reagiert. Es wurde festgestellt, dass ein längerer Prognosehorizont im Allgemeinen zu besseren Ergebnissen führt. Auch die Erhöhung der Anzahl der Samples verbesserte die Ergebnisse, da sie eine genauere Schätzung der zukünftigen Nachfrage lieferte.

Allerdings wurden längere Rechenzeiten beobachtet, was die Umsetzbarkeit dieses Algorithmus in einer Echtzeitumgebung beeinträchtigen könnte. Trotz dessen deutet die durch den vorgeschlagenen Sampling-Ansatz erreichte Effizienz darauf hin, dass er dennoch effektiv in realen Szenarien angewendet werden kann.

#Fazit und zukünftige Richtungen

Diese Studie hat erfolgreich einen Algorithmus zur Neuausbalancierung untätiger Fahrzeuge in einem On-Demand-Ride-Pooling-Dienst vorgestellt. Durch die Nutzung von Vorhersagen über zukünftige Nachfrage und strategische Umverteilung von Fahrzeugen wurden bedeutende Verbesserungen bei Servicequoten, Fahrzeugnutzung und Kundenzufriedenheit erzielt.

Zukünftige Arbeiten werden sich darauf konzentrieren, den Neuausbalancierungsprozess weiter zu verfeinern, indem untersucht wird, wie man Informationen auf Knotenebene anstelle von nur aggregierten Zoneninformationen nutzen kann. Darüber hinaus könnte die Einbeziehung der Variabilität der Reisezeiten in die Nachfrageprognosen die Effektivität des Algorithmus verbessern.

#Zusammenfassung der Ergebnisse

Die wichtigsten Erkenntnisse dieser Forschung umfassen:

• Die Effektivität des vorgeschlagenen Sampling-Algorithmus zur Verbesserung der Fahrzeugverteilung und Reaktionszeiten.
• Die bedeutenden Vorteile der Implementierung einer Neuausbalancierungsstrategie in On-Demand-Ride-Pooling-Diensten.
• Die Wichtigkeit der Nutzung zukünftiger Nachfrageprognosen zur Optimierung der Fahrzeugzuweisung und Reduzierung von Leerlaufzeiten.
• Das Potenzial für weitere Optimierungen durch Verfeinerung des Sampling-Prozesses und Anpassung an wechselnde Reisebedingungen.

Die Forschung hebt hervor, wie intelligentes Management und Planung von Transportdiensten zu effizienteren urbanen Mobilitätslösungen führen können, was letztendlich sowohl den Betreibern als auch den Kunden zugutekommt.