Data-driven vehicle relocation in free floating carsharing services ; Repositionnement des véhicules de services d'autopartage en free-floating orienté par les données
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
E-Book;
Electronic Thesis;
Text
Title:
Data-driven vehicle relocation in free floating carsharing services ; Repositionnement des véhicules de services d'autopartage en free-floating orienté par les données
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Face à une congestion automobile accrue dans les rues des villes, l'autopartage est apparu comme une des solutions pour réduire l'usage de voiture privées en milieu urbain. Le concept d'autopartage est récent et sa pérennité est dépendante de l'usage fait par les clients. L'objectif de cette thèse est d'aider le service d'autopartage à décider où placer ses véhicules pour le lendemain dans le but d'améliorer le temps moyen d'utilisation de ses véhicules. À l'aide de modèles de régression, le temps d'utilisation journalière d'une voiture est modélisée. Ces modèles sont ensuite utilisés pour déterminer, par optimisation mathématique, le placement idéal de la flotte du service pour le lendemain matin. Cette méthodologie est évaluée avec trois études de cas issues de données réelles. Les résultats expérimentaux montrent dans un premier temps que, par rapport à l'historique, cette méthode augmenterait la profitabilité du service de 2,9% à 6,8% selon le service étudié. Dans un second temps, l'utilisation d'un simulateur d'autopartage confirme l'avantage d'une approche par optimisation mathématique dans la réduction des coûts de placement des véhicules. L'amélioration de cette méthode passerait par la résolution d'un « problème de tournées des véhicules » pour miniser au mieux le coût de placement des véhicules. ; Carsharing has emerged as one of the solutions to reduce the use of private cars in urban areas. The carsharing concept is recent and its sustainability depends on the customer usage. The objective of this thesis is to help the carsharing service to decide where its vehicles should be placed for the next day to improve the average use time of its vehicles. First, models are learned to predict the daily usage of a car depending on its origin and the number of other cars in the area. Then the learned models are then used to determine, by mathematical optimization, the ideal service's fleet placement for the next morning. This methodology is evaluated with three real case studies. The experimental results first ...