Space-Time Demand Adaptive Taxi Routing

Abstract

V průběhu posledních pěti let začali poskytovatelé přepravy na objednávku využívat nové přístupy, vycházející z pokročilých technik umělé inteligence. Jednou z takových firem je Uber, která zavedla místo klasického fixního nastavení v oblasti taxi služeb dynamické, tržně orientované nastavení ceny. To znamená, že cena přepravy se dynamicky přizpůsobuje poptávce zákazníka. Tento dynamický přístup zavádí nový parametr, který je - na rozdíl od klasického systému - nutno zohlednit, t.j. sumu, kterou je zákazník ochoten zaplatit. Dosud byly navrženy různé metody na optimalizaci přepravy na objednávku, všechny jsou však zaměřeny hlavně na tradičně orientované systémy. Jednou z optimalizačních metod je směrovací systém, který doporučí přepravci lokalitu, kde nepravděpodobněji získá nového zákazníka.

Výsledkem této práce jsou dva nové, snadno implementovatelné směrovací systémy, určené pro tržně orientované přepravy na objednávku. Tyto systémy využívají matematický model popisující reálný přepravní systém, který je následně využit ve směrovacím algoritmu, a tento je pak implementovaný do online simulace. Následně jsou oba tyto směrovací systémy podrobeny experimentu, kde se testuje jejich chování. Každý z těchto dvou systémů má svoje výhody, které se liší v závislosti na počtu operujících vozidel a poptávce zákazníků.

Přínosem práce je poskytnutí přehledu, který ze systémů je vhodnější v závislosti na konkrétní situaci.

Over the last five years, on-demand transport services have begun adopting new approaches, which exploit advanced techniques from artificial intelligence. Most notably Uber have begun to adopt market-based approaches instead of using fixed-pricing. The key feature is that prices are adjusted dynamically with respect to the demand of customers. This means that how much the passengers are prepared to pay matters, in addition to other system parameters also present in traditional on-demand transport systems. Various methods have been proposed to optimize on-demand transport systems, however these are designed for traditional systems, which do not use a market-based approach. One of these methods is a recommendation system to route each taxi to their next location, where they are most likely to obtain a new customer. In this thesis new, easy to implement, recommendation systems are proposed for marketbased on-demand transport systems. The proposed recommendation systems are designed using mathematical models of the system, which leads to novel driver routing algorithms and implementations used for on-line simulation. Moreover these recommendation systems are also evaluated in a realistic system based in the city of the Hague. Both recommendation systems have different strengths, depending on the size of the operating taxi fleet and the passenger demand. This work provides insights into the right recommendation system that should be used in each scenario.