论文阅读- addressing the mininum fleet problem in on-demand urban mobility

论文阅读- addressing the mininum fleet problem in on-demand urban mobility

摘要

1. 众所周知：信息与通信技术（Information and communication technologies）->个体与需求车辆的匹配（match）->解决城市出行问题（urban mobility）
2. 共同问题：如何让车队（fleet ）和具体的个人需求实现最佳最优搭配？
3. 解决方法-前人的研究：没有给出一个可扩展（ scalable ）的办法；需要改变人们的出行理念
4. 解决办法-我们的研究：基于网络（network-based）和真实数据 （内容：起点、终点、起始时间）开发的车辆共享网络（a ‘vehicle-sharing’ network”）。
   网络特点：有最优计算效率方法（offline）；最接近最优解的实现(online)。
   数据来源：纽约市1.5亿的出租车数据
   结果：相比较目前的系统，即使在受到司机能力和一些反常出行(比如周末夜间出行增加）的情况干扰下（这种干扰会增大车队数），车队数下降30%
   应用：APP
5. 前人研究和我们研究对比
   （1）不用共乘（sharing riding）,不用改变政策和观念
   （2）给出了可扩展（ scalable ）的方法

背景介绍

问题重定义

参数与算法

条件信息：

解决思路：

参数设置：
间隔时间的设置

结果与分析

1，日车队规模与日出行数的相关性分析

2，效率分析
主要结果之一：在没有共乘（sharing riding）和延误的情况下，出租车循环的数量下降了40%

3，需求满足情况与派车方案分析
（1）需求满足：若只知道一部分trip demand，仍然可以达到近似最优解
（2）派车方案：收集短时间内的需求（如1min）再派车。可以做到用比当前少了30%的车服务90%以上的需求。
（3）集中派车的经济学意义：相当于一个“纳什均衡”，让市场从由众多微小经营商组成的监督市场变为由几个主要经营者组成的垄断市场。从运营者和环境角度而言，寡头垄断市场会从集中派车中收益更多。

4，未来应用分析
（1）最小车队规模更适用于无人驾驶场景（除了利益问题外，司机的能力和最大驾驶时间都会引起该方案不能实施）
（2）该系统可用于未来城市系统开发
5，结论
该文章所用的方法可以推广到任意的点对点的路径问题，但是本文研究的是单个车队的最小车队规模，可以拓展到研究多个共同车队，同时也为未来运营和管理无人驾驶车队提供方法。

讨论遗留的问题

1，为什么要估算下车时间
因为数据里只给了OD和上车时间，拿到的数据没有下车时间。
2，订单如何变成网络
订单OD为一条路径，每个路径之间有时间间隔，这段时间内又可以生成一条路径将两条OD连接起来，从而可以形成相连的网络。
3，下面这个图是怎么生成的？

有向无环图用算法找到的满足条件的最小车队

4，node和trip的区别
见文章