Poptávková doprava velkého rozsahu: simulační studie a optimalizace

Abstract

Systémy dopravy na vyžádání (anglicky Mobility-on-demand, MoD) jsou systémy, které zajišťují přepravu cestujících na vyžádání namísto použití pevného jízdního řádu.Příkladem takových systémů jsou společnosti jako je Uber nebo Lyft, běžné taxislužby nebo budoucí systémy autonomních samořídících vozidel, které vyvíjejí společnosti jako Waymo, Cruise nebo Motional.Dosud nejvíce studovanými MoD systémy jsou malé MoD systémy zaměřené na obsluhu osob se zdravotním postižením nebo starších osob, ty jsou studovány již několik desetiletí, většinou v oblasti operační analýzy.V této práci se zaměřujeme na MoD systémy velkého rozsahu, které jsou relativně novou oblastí výzkumu.Tyto systémy jsou sice formálně podobné malým MoD systémům, ale mají odlišné charakteristiky a vyžadují odlišné metody a algoritmy pro jejich studium a optimalizaci.V této práci jsme identifikovali několik mezer ve výzkumu rozsáhlých MoD systémů a vyvinuli nové metody a algoritmy pro jejich zacelení.Za prvé, v existující literatuře nejsou k dispozici žádné standardizované referenční instance pro studie velkého rozsahu.Prozkoumali jsme tedy existující instance a získané poznatky jsme zkombinovali s našimi předchozími zkušenostmi se simulacemi MoD systémů.Na základě toho jsme vyvinuli metodiku pro vytváření instancí z historických mobilitních dat a vytvořili soubor instancí velkého rozsahu pro tři oblasti: New York, Chicago a Washington D.C.Za druhé, existuje několik výzkumných otázek týkajících se fungování MoD, které byly v době zahájení našeho výzkumu stále nezodpovězené.Vyvinuli jsme proto novou metodiku simulace, která umožňuje provádět rozsáhlé simulační studie MoD.Díky této metodice přinášíme odpovědi na tři výzkumné otázky týkající se provozu MoD: a) jaký by byl dopad nahrazení osobních automobilů MoD, b) jak můžeme těžit ze sdílení jízd, tj. z přepravy více cestujících v jednom vozidle současně, a c) jak velká je výhoda optimálního dispečinku vozidel.Zjistili jsme, že a) nasazení MoD může přinést výrazné zvýšení celkové ujeté vzdálenosti, a to i přes výrazné snížení velikosti vozového parku, b) sdílení jízd výrazně snižuje celkovou ujetou vzdálenost, a to hluboko pod hodnotu v případě použití osobních automobilů, a c) optimálním dispečinkem vozidel můžeme effektivitu dále výrazně zvýšit.Nakonec jsme řešili problém, že žádný algoritmus pro optimální dispečink vozidel v MoD systémech není škálovatelný na všechny realistické instance.Identifikovali jsme tedy slabé místo optimální metody: selhává na instancích s dlouhým časovým horizontem, tj. s požadavky na jízdu rozloženými do dlouhého časového období.Na základě tohoto zjištění jsme vyvinuli nový algoritmus, který takové instance rozdělí na menší instance pokrývající kratší časový horizont, optimálně je vyřeší a poté plány vozidel zřetězí.Formulovali jsme problém řetězení plánů s časovými okny, vyvinuli jsme metodu pro řetězení plánů a dokázali jsme, že je optimální, a provedli jsme výpočetní studii, která porovnává novou metodu pro dispečink vozidel s optimálním metodou, konstrukční heuristikou a metaheuristikou.U případů, které nelze řešit optimálně, poskytla naše metoda ve většině případů lepší řešení než ostatní testované metody.

Mobility-on-demand (MoD) systems are systems that provide the transportation of passengers on-demand instead of using a fixed schedule.Examples of such systems are transportation network companies (TNCs) like Uber or Lyft, conventional taxi services, or future systems of autonomous self-driving cars being developed by companies such as Waymo, Cruise, or Motional.So far, the most studied MoD systems are small MoD systems focused on servicing people with disabilities or the elderly, these have been studied for several decades, mostly in the field of operational research.In this thesis, we focus on large-scale MoD systems operated by TNCs, which are a relatively new research area.These systems, while formally similar to the small MoD systems, have different characteristics and require different methodologies and algorithms for their study and optimization.In this thesis, we identified several research gaps in the field of large-scale MoD systems and developed new methodologies and algorithms to address them.First, there are no standardized benchmark instances for large-scale studies available in the literature.We researched the existing benchmark instances and combined the acquired knowledge with our previous experience with simulations of MoD systems.Based on that, we developed a methodology for creating instances from historical travel data and created a set of large-scale instances for three areas: New York City, Chicago, and Washington D.C.Second, there are several research questions about the operation of MoD that were still unanswered when we started our research.We developed a new simulation methodology that allows for performing large-scale simulation studies of MoD.With that methodology, we deliver answers to three research questions about the operation of MoD: a) what is the impact of replacing private cars with MoD, b) how can we benefit from ridesharing, i.e., by transporting multiple passengers in one vehicle simultaneously, and c) how much we can benefit from dispatching the vehicles optimally.We found out that a) the MoD deployment can generate a significant increase in the total distance driven, despite reducing the fleet size dramatically, b) ridesharing reduces the total distance driven significantly, far below the travel distance of private cars, and c) we can significantly improve the performance further by dispatching the vehicles optimally.Finally, no algorithm for the optimal dispatching of vehicles in MoD systems is scalable to all practical instances.We have identified a weak point of the optimal method: it fails on instances with a long time horizon, i.e., with travel requests spread over a long time.Based on this finding, we developed a new algorithm that splits such instances into sub-instances covering a shorter time horizon, solves them optimally, and then chains the vehicle plans together.We formulated the plan chaining problem with time windows, developed a method to solve it and proved that it is optimal, and performed a computational study that compares the new dispatching method with the optimal dispatching method, a construction heuristic, and a metaheuristic.For instances that cannot be solved optimally, our method delivered the best solutions among the evaluated methods in the majority of the cases.