Optimizando la movilidad urbana con viajes compartidos bajo demanda

Para el año 2050, una gran parte de la población mundial vivirá en ciudades, lo que llevará a más viajes, atascos y contaminación. A pesar de una breve reducción en el tráfico durante la pandemia de COVID-19, muchas ciudades han vuelto a sus niveles de congestión anteriores. La industria del transporte también es una fuente significativa de emisiones de gases de efecto invernadero. Por lo tanto, mejorar la eficiencia del tráfico es crítico para abordar problemas de recursos y el cambio climático, al mismo tiempo que se satisfacen las necesidades de transporte de la gente.

#Servicios de Transporte Compartido a Pedido

Los vehículos privados tradicionales a menudo operan de manera ineficiente, con pocos pasajeros por viaje. Los servicios de transporte compartido a pedido (ODRP) han surgido como una mejor opción. En estos servicios, los usuarios solicitan viajes, y el sistema agrupa los viajes, permitiendo a varios clientes compartir un vehículo. Este enfoque puede disminuir el número de autos en la carretera y aumentar el número de pasajeros por vehículo. Los vehículos autónomos podrían hacer que los servicios ODRP sean aún más asequibles para los usuarios.

#Beneficios Potenciales de los Servicios ODRP

Estudios recientes han examinado cuán efectivos pueden ser los servicios ODRP. Por ejemplo, un estudio encontró que un número relativamente pequeño de vehículos podría satisfacer la demanda de taxis en una ciudad bulliciosa como Nueva York. Otro estudio sugirió que reemplazar los viajes en vehículos privados por servicios ODRP podría reducir significativamente la congestión en ciudades como Praga. Sin embargo, estos estudios asumieron que un gran número de personas usaría los servicios ODRP a diario, lo cual es necesario para que los viajes compartidos funcionen de manera efectiva.

Otra investigación ha mostrado que la densidad de solicitudes de viaje juega un papel crucial en el éxito del transporte compartido. Una mayor densidad de solicitudes permite más oportunidades para combinar viajes y reducir el número de viajes vacíos.

#Desafíos en los Servicios ODRP

Uno de los principales problemas para ofrecer servicios ODRP es cómo gestionar la flota de vehículos, conocido como el Problema del Transporte a Pedido (DARP). Este problema ha sido estudiado durante décadas y es complejo, lo que dificulta encontrar soluciones para sistemas más grandes. Para mejorar el rendimiento, se han desarrollado muchos métodos, incluidos enfoques heurísticos que ofrecen soluciones rápidas sin necesidad de resolver el problema completo con precisión.

Sin embargo, muchos de estos métodos no consideran la demanda futura, lo que lleva a un desequilibrio en la distribución de vehículos. Este desequilibrio puede causar largas esperas para los clientes en áreas de alta demanda mientras los vehículos permanecen inactivos en regiones de baja demanda.

#Algoritmo Propuesto para Rebalancear Vehículos

Para abordar el desafío del desequilibrio de vehículos, este estudio propone un nuevo algoritmo que redistribuye estratégicamente vehículos inactivos basándose en la demanda futura prevista. Al muestrear de las proyecciones de demanda, el algoritmo anticipa dónde se necesitarán más vehículos, lo que permite decisiones de reposicionamiento más informadas.

El enfoque consta de varias partes. Primero, el estudio revisa los métodos existentes para abordar los desafíos de rebalanceo. Luego, describe la metodología utilizada en este estudio, seguida de un estudio de caso usando datos de transporte de Chicago.

#Revisión de Literatura sobre Métodos de Rebalanceo

El problema de rebalanceo es especialmente relevante en sistemas dinámicos e impredecibles. Un enfoque reactivo simple podría llevar a desequilibrios cuando los patrones de demanda son desiguales. Este problema es común en los servicios de movilidad a pedido, pero también se ha estudiado en escenarios de respuesta a emergencias.

Para los servicios de movilidad a pedido, conductores dedicados suelen operar cada vehículo, permitiendo decisiones de rebalanceo continuas. Sin embargo, los servicios tradicionales de transporte generalmente tienen conductores que se reposicionan basándose en motivos de lucro individuales. Este estudio se centra en un servicio ODRP controlado centralmente donde un operador toma decisiones para optimizar el rendimiento general.

Existen varias metodologías para servicios de transporte que no permiten viajes compartidos. El enfoque más común es agrupar las proyecciones de demanda por zonas para gestionar el número de vehículos de manera efectiva.

Cuando los viajes pueden ser compartidos, la situación se vuelve más compleja. Varios estudios han sugerido diversos métodos para manejar esta complejidad, incluyendo modelos que utilizan control predictivo y otros enfoques que emplean técnicas de aprendizaje automático.

Algunos investigadores también han propuesto muestrear solicitudes futuras para estimar déficits de oferta y calcular rutas potenciales de vehículos. Sin embargo, este método puede ser intensivo en computación y puede no funcionar bien para sistemas más grandes.

Este estudio introduce un nuevo método que se centra en muestrear solicitudes de proyecciones de demanda manteniendo la eficiencia computacional en mente. El algoritmo propuesto equilibra la necesidad de estimaciones precisas de demanda futura con el requisito de tomar decisiones rápidas.

#Marco de Simulación

El algoritmo propuesto se integra en un marco de simulación basado en agentes que permite que funcione en un entorno realista. La simulación modela cómo los clientes solicitan viajes, y cómo el operador asigna vehículos en consecuencia.

A los clientes se les asignan solicitudes de viaje basadas en sus ubicaciones y tiempos de recogida esperados. Los vehículos viajan por las rutas más rápidas para recoger y dejar a los pasajeros. El objetivo principal del operador es minimizar los tiempos de espera y maximizar el número de solicitudes atendidas.

#Estudio de Caso en Chicago

El algoritmo propuesto se prueba utilizando datos del mundo real de Chicago. Se analiza la red de calles de la ciudad y se determinan puntos de acceso específicos donde los clientes pueden iniciar y finalizar sus viajes. La demanda del servicio ODRP se simula en función de datos de transporte reales, lo que resulta en un gran número de solicitudes.

El estudio evalúa el rendimiento del algoritmo propuesto en comparación con otros métodos. Utiliza diferentes métodos de pronóstico para estimar la demanda futura y aplica varias estrategias de rebalanceo para determinar su efectividad.

#Resultados y Discusión

Los resultados indican que emplear un algoritmo de rebalanceo mejora significativamente el rendimiento del servicio. El número de solicitudes atendidas casi se duplica cuando se implementa una estrategia de rebalanceo efectiva. En escenarios sin rebalanceo, muchos vehículos permanecen inactivos en áreas con baja demanda, lo que reduce drásticamente la efectividad general del servicio.

En comparación, cuando se utiliza el rebalanceo, los vehículos se distribuyen de manera más uniforme por toda la ciudad, lo que les permite responder rápidamente a nuevas solicitudes de viaje. El análisis muestra que un ligero aumento en el número de vehículos puede llevar a tasas de servicio mejoradas, destacando la importancia de la ubicación de los vehículos.

El estudio también evalúa varios indicadores clave de rendimiento (KPI) como horas de ingresos de vehículos, tiempos de espera de clientes y distancia recorrida por vehículos vacíos. Los datos revelan que los vehículos generan ingresos durante períodos significativamente más largos cuando se utilizan algoritmos de rebalanceo, resultando en un mejor rendimiento financiero general para el operador.

#Comparación con Otros Algoritmos

El método de muestreo propuesto superó otros algoritmos de rebalanceo probados en el estudio. Incluso al utilizar un método de pronóstico básico, el algoritmo de muestreo mostró mejores resultados que los métodos que no incorporaron ninguna predicción de demanda futura. El enfoque tradicional de teoría de colas fue el menos efectivo, sugiriendo que se necesitan métodos más dinámicos y predictivos para un rendimiento óptimo.

#Análisis de Sensibilidad

El estudio también evaluó cuán sensible es el algoritmo propuesto a cambios en parámetros como el horizonte de pronóstico y el número de muestras. Se encontró que un horizonte de pronóstico más largo generalmente lleva a un mejor rendimiento. Aumentar el número de muestras también mejoró los resultados, ya que proporcionó una estimación más precisa de la demanda futura.

Sin embargo, se observaron tiempos computacionales más largos, lo que podría afectar la viabilidad de implementar este algoritmo en un ambiente en tiempo real. A pesar de esto, la eficiencia lograda por el método de muestreo propuesto sugiere que aún puede aplicarse de manera efectiva en escenarios del mundo real.

#Conclusión y Direcciones Futuras

Este estudio presentó con éxito un algoritmo para rebalancear vehículos inactivos en un servicio de transporte compartido a pedido. Al aprovechar predicciones sobre la demanda futura y redistribuir estratégicamente los vehículos, se lograron mejoras significativas en las tasas de servicio, la utilización de vehículos y la Satisfacción del Cliente.

El trabajo futuro se centrará en refinar aún más el proceso de rebalanceo explorando cómo utilizar información a nivel de nodo en lugar de solo datos agregados a nivel de zona. Además, incorporar la variabilidad de los tiempos de viaje en las proyecciones de demanda podría mejorar la efectividad del algoritmo.

#Resumen de Hallazgos

Los puntos clave de esta investigación incluyen:

• La efectividad del algoritmo de muestreo propuesto en mejorar la distribución de vehículos y los tiempos de respuesta.
• Los beneficios significativos de implementar una estrategia de rebalanceo en los servicios de transporte compartido a pedido.
• La importancia de utilizar predicciones de demanda futura para optimizar la asignación de vehículos y reducir los tiempos inactivos.
• El potencial de una mayor optimización refinando el proceso de muestreo y ajustando a las condiciones cambiantes de viaje.

La investigación destaca cómo la gestión y planificación inteligente de los servicios de transporte puede llevar a una movilidad urbana más eficiente, beneficiando en última instancia tanto a los operadores como a los clientes.