Snapshot-Optimales Echtzeit-Fahrgemeinschaftssystem

Fahrgemeinschaften begegnen effektiv den Herausforderungen der städtischen Mobilität, indem sie einen Service anbieten, der mit privaten Fahrzeugen vergleichbar ist, während der Ressourcenverbrauch minimiert wird. Unsere Forschung konzentriert sich hauptsächlich auf dynamische Fahrgemeinschaften, die traditionell das Verbinden von Fahrern mit Passagieren, die Transporte benötigen, umfasst. Der Prozess des Eins-zu-eins-Matchings stellt eine komplexe Herausforderung dar, insbesondere wenn man dies in großem Maßstab angeht, da die große Anzahl potenzieller Übereinstimmungen die Erreichung eines globalen Optimums zu einem herausfordernden Unterfangen macht. Dieses Papier zielt darauf ab, das Fehlen eines optimalen Ansatzes für dynamische Fahrgemeinschaften zu adressieren, indem es auf die konventionellen heuristischen Methoden verzichtet, die üblicherweise verwendet werden, um zeitnahe Lösungen im großen Maßstab für die Fahrgemeinschaftsvermittlung zu erreichen. Stattdessen schlagen wir einen neuartigen Ansatz vor, der snapshot-optimale Lösungen für verschiedene Formen des Eins-zu-eins-Matchings bietet, während sichergestellt wird, dass sie innerhalb eines akzeptablen Zeitrahmens für die Dienstanbieter generiert werden. Darüber hinaus führen wir eine neue Variante ein und lösen diese, bei der das System selbst die Fahrzeuge bereitstellt. Die Wirksamkeit unserer Methodik wird durch Experimente, die mit realen Daten aus dem offen zugänglichen Datensatz der New Yorker Taxiunternehmen durchgeführt wurden, untermauert.