Optimiser la mobilité urbaine avec le covoiturage à la demande

D'ici 2050, une grande partie de la population mondiale vivra dans des villes, ce qui va entraîner plus de déplacements, des embouteillages et de la pollution. Même si le trafic avait un peu baissé pendant la pandémie de COVID-19, beaucoup de villes sont revenues à leurs niveaux d'engorgement d'avant. Le secteur des transports est aussi une source importante d'émissions de gaz à effet de serre. Donc, améliorer l'efficacité du trafic est super crucial pour régler les problèmes de ressources et le changement climatique tout en répondant aux besoins de transport des gens.

#Services de Covoiturage à la Demande

Les véhicules privés traditionnels fonctionnent souvent de manière inefficace, avec peu de passagers par trajet. Les services de covoiturage à la demande (ODRP) sont apparus comme une meilleure option. Dans ces services, les utilisateurs demandent des trajets, et le système regroupe les trajets, permettant à plusieurs clients de partager un véhicule. Cette approche peut diminuer le nombre de voitures sur la route et augmenter le nombre de passagers par véhicule. Les véhicules autonomes pourraient rendre les services ODRP encore plus abordables pour les utilisateurs.

#Bénéfices Potentiels des Services ODRP

Des études récentes ont examiné l’efficacité des services ODRP. Par exemple, une étude a trouvé qu'un nombre relativement faible de véhicules pouvait répondre à la demande de taxis dans une ville animée comme New York. Une autre étude a suggéré que remplacer les trajets en véhicule privé par des services ODRP pourrait réduire significativement l'engorgement dans des villes comme Prague. Cependant, ces études supposaient qu'un grand nombre de personnes utiliseraient les services ODRP quotidiennement, ce qui est nécessaire pour que les trajets partagés fonctionnent efficacement.

D'autres recherches ont montré que la densité des demandes de trajets joue un rôle crucial dans le succès du covoiturage. Une densité de demandes plus élevée permet de combiner plus de trajets et de réduire le nombre de trajets vides.

#Défis des Services ODRP

Un des principaux problèmes pour fournir des services ODRP est la gestion de la flotte de véhicules, connu sous le nom de problème d'appels à la demande (DARP). Ce problème a été étudié pendant des décennies et est complexe, ce qui rend difficile de trouver des solutions pour des systèmes plus grands. Pour améliorer la performance, plusieurs méthodes ont été développées, y compris des approches heuristiques qui offrent des solutions rapides sans avoir besoin de résoudre tout le problème de manière précise.

Cependant, beaucoup de ces méthodes ne tiennent pas compte de la demande future, ce qui conduit à un déséquilibre dans la distribution des véhicules. Cet déséquilibre peut entraîner des temps d'attente longs pour les clients dans les zones à forte demande, tout en laissant des véhicules inactifs dans les régions à faible demande.

#Algorithme Proposé pour le Rééquilibrage des Véhicules

Pour relever le défi de l'imbalance des véhicules, cette étude propose un nouvel algorithme qui redistribue stratégiquement les véhicules inactifs en fonction de la demande future prévue. En se basant sur des prévisions de demande, l'algorithme anticipe où les véhicules seront le plus nécessaires, permettant ainsi des décisions de repositionnement plus éclairées.

L'approche se compose de plusieurs parties. D'abord, l'étude passe en revue les méthodes existantes pour traiter les défis de rééquilibrage. Ensuite, elle décrit la méthodologie utilisée dans cette étude, suivie d'une étude de cas utilisant des données de transport de Chicago.

#Revue de la Littérature sur les Méthodes de Rééquilibrage

La question du rééquilibrage est particulièrement pertinente dans des systèmes dynamiques et imprévisibles. Une approche réactive simple peut entraîner des déséquilibres lorsque les schémas de demande sont irréguliers. Ce problème est courant dans les services de mobilité à la demande mais a aussi été étudié dans des scénarios de réponse aux urgences.

Pour les services de mobilité à la demande, des chauffeurs dédiés opèrent généralement chaque véhicule, ce qui permet de prendre des décisions de rééquilibrage en continu. Cependant, les services de VTC traditionnels ont souvent des conducteurs qui se repositionnent selon leurs propres intérêts économiques. Cette étude se concentre sur un service ODRP contrôlé de manière centrale où un opérateur prend des décisions pour optimiser la performance globale.

Plusieurs méthodologies existent pour les services de VTC qui ne permettent pas de trajets partagés. L'approche la plus courante consiste à regrouper les prévisions de demande par zones pour gérer efficacement le nombre de véhicules.

Quand les trajets peuvent être partagés, la situation devient plus complexe. Plusieurs études ont suggéré diverses méthodes pour gérer cette complexité, y compris des modèles qui utilisent le contrôle prédictif et d'autres approches qui emploient des techniques d'apprentissage machine.

Certains chercheurs ont également proposé d'échantillonner les demandes futures pour estimer les pénuries de fournitures et calculer les itinéraires potentiels des véhicules en conséquence. Cependant, cette méthode peut être intensive en ressources informatiques et ne fonctionne pas toujours bien pour des systèmes plus grands.

Cette étude introduit une nouvelle méthode qui se concentre sur l'échantillonnage des demandes à partir des prévisions tout en gardant l'efficacité computationnelle à l'esprit. L'algorithme proposé équilibre la nécessité d'estimer avec précision la demande future et le besoin de prendre des décisions rapides.

#Cadre de Simulation

L'algorithme proposé est intégré dans un cadre de simulation basé sur des agents qui lui permet de fonctionner dans un environnement réaliste. La simulation modélise comment les clients demandent des trajets, et comment l'opérateur assigne les véhicules en conséquence.

Les clients se voient attribuer des demandes de trajets en fonction de leur emplacement et des heures de prise en charge attendues. Les véhicules empruntent les itinéraires les plus rapides pour récupérer et déposer les passagers. Le principal objectif de l'opérateur est de minimiser les temps d'attente et de maximiser le nombre de demandes desservies.

#Étude de Cas à Chicago

L'algorithme proposé est testé à l'aide de données réelles de Chicago. Le réseau routier de la ville est analysé, et des points d'accès spécifiques sont déterminés où les clients peuvent commencer et terminer leurs trajets. La demande pour le service ODRP est simulée sur la base de données de transport réelles, ce qui entraîne un grand nombre de demandes.

L'étude évalue la performance de l'algorithme proposé par rapport à d'autres méthodes. Elle utilise différentes méthodes de prévision pour estimer la demande future et applique diverses stratégies de rééquilibrage pour déterminer leur efficacité.

#Résultats et Discussion

Les résultats indiquent que l'utilisation d'un algorithme de rééquilibrage améliore considérablement la performance du service. Le nombre de demandes desservies double presque lorsqu'une stratégie de rééquilibrage efficace est en place. Dans des scénarios sans rééquilibrage, de nombreux véhicules restent inactifs dans des zones à faible demande, ce qui réduit drastiquement l'efficacité globale du service.

En revanche, lorsque le rééquilibrage est utilisé, les véhicules sont plus également répartis dans la ville, leur permettant de répondre rapidement aux nouvelles demandes de trajets. L'analyse montre qu'une augmentation modeste du nombre de véhicules peut conduire à des taux de service améliorés, soulignant l'importance du positionnement des véhicules.

L'étude évalue aussi divers indicateurs clés de performance (KPI) tels que les heures de revenus des véhicules, les temps d'attente des clients et la distance parcourue par les véhicules vides. Les données révèlent que les véhicules génèrent des revenus pendant des périodes significativement plus longues lorsque des algorithmes de rééquilibrage sont utilisés, ce qui améliore la performance financière globale de l'opérateur.

#Comparaison avec d'Autres Algorithmes

La méthode d'échantillonnage proposée a surpassé d'autres algorithmes de rééquilibrage testés dans l'étude. Même en utilisant une méthode de prévision basique, l'algorithme d'échantillonnage a montré de meilleurs résultats par rapport aux méthodes qui n'incorporaient aucune prévision de la demande future. L'approche traditionnelle de théorie des files d'attente a été la moins efficace, suggérant que des méthodes plus dynamiques et prédictives sont nécessaires pour une performance optimale.

#Analyse de Sensibilité

L'étude a aussi évalué la sensibilité de l'algorithme proposé aux changements de paramètres tels que l'horizon de prévision et le nombre d'échantillons. Il a été constaté qu'un horizon de prévision plus long mène généralement à de meilleures performances. Augmenter le nombre d'échantillons améliore aussi les résultats, car cela fournit une estimation plus précise de la demande future.

Cependant, des temps de calcul plus longs ont été observés, ce qui pourrait affecter la faisabilité de la mise en œuvre de cet algorithme en temps réel. Malgré cela, l'efficacité obtenue grâce à la méthode d'échantillonnage proposée suggère qu'elle peut encore être appliquée efficacement dans des scénarios réels.

#Conclusion et Perspectives Futures

Cette étude a présenté avec succès un algorithme pour rééquilibrer les véhicules inactifs dans un service de covoiturage à la demande. En s'appuyant sur des prévisions concernant la demande future et en redistribuant stratégiquement les véhicules, des améliorations significatives ont été réalisées en matière de taux de service, d’utilisation des véhicules et de satisfaction des clients.

Les travaux futurs se concentreront sur le raffinement du processus de rééquilibrage en explorant comment utiliser des informations au niveau des nœuds au lieu de se baser uniquement sur des données agrégées au niveau des zones. De plus, intégrer la variabilité des temps de trajet dans les prévisions de demande pourrait renforcer l’efficacité de l’algorithme.

#Résumé des Conclusions

Les principaux enseignements de cette recherche incluent :

• L’efficacité de l’algorithme d’échantillonnage proposé pour améliorer la distribution des véhicules et les temps de réponse.
• Les avantages significatifs de la mise en œuvre d’une stratégie de rééquilibrage dans les services de covoiturage à la demande.
• L’importance d’utiliser des prévisions de demande future pour optimiser l’allocation des véhicules et réduire les temps d’inactivité.
• Le potentiel d’optimisation supplémentaire en raffinement du processus d’échantillonnage et en ajustant aux conditions de trajet changeantes.

La recherche met en lumière comment une gestion et une planification intelligentes des services de transport peuvent mener à une mobilité urbaine plus efficace, profitant finalement aux opérateurs et aux clients.