Analýza metod optimalizace sdílených jízd v systémech dopravy na požádání na reálných instancích problému

Abstract

Systémy mobility na vyžádání (MoD) s možností sdílených jízd (ride-sharing) představují slibné řešení pro městskou mobilitu. Na rozdíl od tradičních taxislužeb, které ride-sharing nevyužívají, umožňují efektivnější přepravu osob a snižují jak počet vozidel potřebných k uspokojení poptávky, tak celkovou dobu cestování. Nicméně plánování tras pro vozidla v MoD systémech s ride-sharingem je složitý problém: nalezení realizovatelného řešení je NP-těžké. Proto bylo navrženo velké množství metod k jeho řešení. Cílem této práce je vyhodnotit výkonnost existujících metod na velkých instancích založených na reálných datech. Tradičně jsou metody testovány na malých, náhodně generovaných instancích. Jak však bylo v minulosti prokázáno, výkonnost metod výrazně závisí na charakteristikách instancí. Proto je vyhodnocení na reálných instancích nezbytné k získání realistického pohledu na výkonnost těchto metod. Tato práce přispívá sadou nově generovaných velkých instancí založených na reálných datech z několika velkých měst a poskytuje srovnávací analýzu několika benchmarkových algoritmů za různých podmínek, která nabízí pohled na to, jak různé provozní a prostorové faktory ovlivňují jejich výkonnost.

Mobility-on-Demand (MoD) systems with ride-sharing are a promising solution for urban mobility. Unlike traditional taxi services that do not use ride-sharing, they can transport people more efficiently and reduce both the number of vehicles needed to satisfy the demand and the total travel time. However, computing the plans for the vehicles in MoD systems with ride-sharing is a complex problem: it is NP-hard to even find a feasible solution. Therefore, a large number of methods have been proposed to solve this problem. The goal of this thesis is to evaluate the performance of the existing methods on large-scale instances based on real demand. Traditionally, the methods are evaluated on small, randomly generated instances. However, as it was demonstrated in the past, the performance of the methods is highly dependent on the characteristics of the instances. Therefore, the evaluation using real instances is necessary to obtain a realistic view of the performance of the methods. This thesis contributes a set of newly generated large-scale instances based on real demand data from several major cities, and provides a comparative analysis of multiple benchmark algorithms under diverse conditions, offering insights into how various operational and spatial factors affect their performance.