Transcript Gdr-ro-macs-klaudel

Flotte de véhicules en libre-service en
complément du transport public
[email protected], SystemX / Renault
3 Décembre 2014
Réseau des IRTs
Railway
infrastructures
Systems engineering
Networks and digital
infrastructures
Materials,
metallurgy and
processes
Composite materials
Infectiology



Strong links with
competitiveness clusters
Co-localized staff
50% of the expenses
funded by PIA
Nanoelectronics
Aeronautics, space and
embedded systems
2
Projet MIC chez IRT/SystemX
Projet MIC
SYSTEMS OF SYSTEMS
ENERGY MANAGEMENT
MULTIMODAL
TRANSPORT
SAFETY & MULTIMEDIA
TECHNOLOGIES AND TOOLS FOR COMPUTATIONAL ENGINEERING
EMBEDDED SYSTEMS
HIGH PERFORMANCE
COMPUTING (HPC)
CLOUD COMPUTING &
NETWORKS
SIMULATION &
CONCEPTION TOOLS
3
Objectifs recherchés : flottes de véhicules

Business, disposer d’une méthode et des outils permettant :





Proposer l’offre « flottes des véhicules électriques en auto-partage » adaptée
aux besoins d’un territoire en tant que complément du transport public
Evaluer l’impact des flottes des véhicules électriques en auto-partage sur
l’offre du transport public
Piloter les flottes des véhicules électriques en auto-partage comme un
composant du transport public multimodal
Adapter le véhicule électrique aux besoins du transport public
Scientifiques et techniques


Maitriser des méthodes de modélisation, de simulation et d’optimisation
adaptées aux systèmes de transport multimodal
Maitriser les technique du pilotage des flottes des véhicules dans
l’écosystème d’un transport public multimodal et global
Contexte de l’étude: projet MIC (*) de SystemX

•
•
•

•
•
•
•
•
(*)
OBJECTIFS
Développer des technologies permettant d’améliorer la performance des
transports multimodaux, essentiellement en zone urbaine suivant 2 axes
principaux: optimisation et supervision
Evaluer les modèles économiques associés
Démontrer l’utilisabilité les briques technologiques développées à travers des
démonstrateurs représentatifs des cas d’usage.
DEFIS TECHNOLOGIQUES
Modéliser et simuler des SdS de transport multimodal
Simuler des SdS dynamiques
Outiller l’optimisation et la supervision
Modéliser les relations entre objets techniques et acteurs sociaux.
Identifier de nouveaux modèles d’affaires
« MIC » : Modélisation, Interopérabilité et Communication, Juin 2013 : Décembre 2016
5
Autopartage en quelques mots
Definition:
System involving a small to medium fleet of vehicles, available at
several stations, to be used by a relatively large group of members.1
Round-trip
Relieve the user from ownership responsibilities:
 Amortization
 Insurance
 Taxes
 Fuel or electricity
 Parking places, etc.
 Maintenance
One-way
1 S.
A. Shaheen, D. Sperling, et C. Wagner, “A short history of
carsharing in the 90’s”, Institute of Transportation Studies, Sept. 1999.
6
Introduction to carsharing
Key numbers about carsharing
4,94 M members1
92 000 vehicles1
41% of annual market
growth rate until 20182
Sources:
1
Frost and Sullivan (2014) Strategic Insight of the global Carsharing Market Report #ND90-18, June 2014.
2 reportsnreports.com
7
Notre étude : démarche
Estimation de la demande de
déplacement
Matrice
Origine / Destination
Simulation multimodale
ODt
Comm. network
Estimation des flux
(don’t potential
autopartage)
𝑡
𝑡
𝐷𝑖𝑗
𝛿𝑖𝑗
Optimisation autopartage
• Localisation des stations
• Dimensionnement du
système
OD 𝑡 : origin/destination matrix
𝑡
𝐷𝑖𝑗
: number of passengers wanted to use the carsharing system from 𝑖 to 𝑗, starting from 𝑖 at time 𝑡
𝑡
𝛿𝑖𝑗 : travel time between nodes 𝑖 and 𝑗, starting from 𝑖 at time 𝑡
8
Découpage de la problématique d’optimisation
SDP : Station Dimensioning Problem
Pour un positionnement de stations donné,
quel est la configuration optimale du système ?
• taille des stations
• nombre de véhicules
• stratégies de relocalisation
SLP : Station Location Problem
Quel est le positionnement des stations qui
assure la meilleure efficacité du système ?
• localisation des stations
efficacite ? optimalite ?
Approche multi-critères :
• maximiser le nombre de demandes satisfaite
• minimiser le nombre d’opération de
relocalisation
• minimiser le nombre de véhicules
9
SDP : Station Dimensioning Problem
Presentation
Inputs:

Set of stations

Time scale

Maximum size of stations

Demands between stations

Travel times
Multi-objective optimization:
1. Maximize the total demand
2. Minimize the number of vehicles
3. Minimize the number of
relocation operations
10
SDP : Station Dimensioning Problem 2/3
Modeling Approach: Time Extended Graph2 (TEG) using flows
(8)
1(1)
(8)
1(2)
(8)
⋯
(8)
1(T)
i(t)
(1)
Station i at time t
Stock arcs
Demand arcs
Relocation arcs
⋮
(∙)
Capacities on arcs
(2)
N(1)
(4)
N(2)
(4)
⋯
(4)
N(T)
Graph density:
Nodes: 𝒩 = 𝑁 × 𝑇
Arcs: 𝒜 = 𝑁 2 ⋅ 𝑇 + 𝑀 = Θ(𝑁 2 ⋅ 𝑇)
(4)
1
2
2
…
t
…
T
Ahuja, Magnanti, and Orlin, Network flows: theory, algorithms, and applications. Englewood Cliffs, N.J.: Prentice Hall, 1993.
11
SDP : Station Dimensioning Problem
12
SDP : Station Dimensioning Problem
Random Data Generator
Demand
estimation


O/D matrix
calculation
Surveys
Phone data




Multimodal simulation


Demand
assignment
Wardrop equilibrium
Demand flows
Carsharing
optimization
Data recovery for
carsharing

Station location

System size
Random Data Generator
Station positioning over an urban area;
Station maximum sizes;
Demands over time (24h period);
Travel times during the period.
13
Experimentations
Pareto frontier for the optimal system dimensioning
Pareto frontier
Experimental context:

𝑁 = 10 (number of stations)

𝑇 = 144 (10 min time-step)

𝑀 = 500 (number of demands)

𝑅, 𝐶 ∈ 0, 10, ⋯ , 80
(range for the number of
vehicles and relocation
operations)
Current work:

Include energy components

State on the problem complexity

Deal with the station location problem

Numerical stability question
14
Merci !