Ze zijn overal, van Berlijn tot Peking, felgekleurde fietsen die je kunt lenen om je zonder auto door de stad te verplaatsen. Deze systemen, samen met e-scooters, bieden mensen een snelle en gemakkelijke manier om door stedelijke gebieden te reizen. En in een tijd waarin steden worstelen om manieren te vinden om hun klimaatdoelen te halen, zijn ze een welkom hulpmiddel voor stadsplanners.

Ervoor zorgen dat de fietsen en e-scooters bij de hand zijn, kan een uitdaging zijn, maar het is ook de sleutel tot het succes van het aanbod, zegt Steffen Bakker, een onderzoeker bij de afdeling Industrieel Economisch en Technologiebeheer van NTNU die manieren bestudeert om transport te groener en efficiënter.

"Als een systeem als dit succesvol zal zijn, dan moeten we gebruikerstevredenheid hebben", zei Bakker. "Mensen willen dat de fietsen er zijn wanneer ze ze willen gebruiken, en ze zullen het systeem alleen willen gebruiken als het een goede service is."

Bakker was co-auteur van een recent artikel dat een optimalisatiemodel beschrijft om steden en bedrijven te helpen hun klanten voor het delen van fietsen beter tevreden te houden.

Als het schieten van een bewegend doel

Overweeg de uitdagingen van het leveren van fietsen of scooters waar en wanneer mensen ze willen hebben.

Onderzoekers beschrijven het probleem als dynamisch, omdat het altijd verandert, en stochastisch, omdat het op willekeurige en vaak moeilijk te voorspellen manieren verandert, zei Bakker.

"Gebruikers van fietsdeelsystemen halen fietsen op één plek op en verplaatsen ze naar een andere plaats. En dan verandert de toestand van het systeem omdat de fietsen ineens niet meer zijn waar ze zijn begonnen, wat het dynamische deel is", zegt hij. gezegd. "Maar bovendien weet je niet wanneer de klanten de fietsen ophalen en waar ze ze neerzetten. Dat is het stochastische deel. Dus als je aan het begin van de dag wilt plannen, hoef je niet weet wat er gaat gebeuren."

Bakker en zijn collega's kunnen de enorme schat aan data die fietsen en e-scooters verzamelen als ze in gebruik zijn, gebruiken om voorspellingen te doen. Maar er is geen garantie dat de manier waarop fietsen bijvoorbeeld afgelopen dinsdag werden gebruikt, de volgende dinsdag hetzelfde zal zijn, zei hij.

"Je moet je aanpassen aan dingen die zich gedurende de dag voordoen," zei hij. "Misschien is er ineens een evenement of verandert het weer, en dan gebruiken mensen de service niet en verandert het vraagpatroon, wat van invloed is op de planning."

De stukjes in elkaar zetten

Wat Bakker en zijn collega's hebben ontwikkeld, is een optimalisatiemodel dat aanbevelingen kan doen over wat de dienstverleners moeten doen.

Dit omvat wat servicevoertuigen moeten doen op het station waar ze zich momenteel bevinden - of ze fietsen moeten afzetten of ophalen, of batterijen moeten verwisselen voor e-bikes en scooters - en waar ze vervolgens heen moeten. De onderliggende berekeningen zijn gebaseerd op wat er tot nu toe gedurende de dag is gebeurd en wat naar verwachting in de nabije toekomst zal gebeuren.

Het onderzoek van de groep wordt gefinancierd als onderdeel van een project van 10 miljoen NOK, gefinancierd door de Onderzoeksraad van Noorwegen, genaamd de Future of Micro mobility (FOMO), met het bedrijf Urban Sharing AS als leidende onderneming op de subsidie.

"Via Pilot-T zijn we van plan om bestaande stadsfietssystemen als testbases te gebruiken, en door nieuwe beslissingsondersteunende tools te ontwikkelen, is het doel om de efficiëntie van de herbalanceringsteams met 30% en de levensduur van de fietsen met 20% te verhogen, ", zegt Jasmina Vele, projectmanager bij Urban Sharing. "Dit kan worden gerealiseerd door betere beslissingen met betrekking tot herbalancering en preventief onderhoud, en dit zal overeenkomen met een grote kostenreductie in bestaande stadsfietssystemen."

Fietsen op de meest efficiënte manier verplaatsen

Het proces van het verzamelen en verplaatsen van fietsen van het ene fietsparkeerstation naar het andere wordt 'herbalanceren' genoemd. Met behulp van het optimalisatiemodel, dat zich nog in de ontwikkelingsfase bevindt, kunnen de chauffeurs elke keer dat ze bij een fietsstation aankomen een nieuw plan krijgen.

"Je maakt niet slechts één plan aan het begin van de dag, maar wat we doen is dat we elke keer dat een voertuig bij een fietsenstalling aankomt een nieuw plan maken," zei hij. "En als de auto bij het station aankomt, zeggen we:'Oké, haal zoveel fietsen op of zet zoveel fietsen af'."

Maar hier komt het lastige om de hoek kijken. Het is belangrijk om niet te kortzichtig te zijn door je alleen te concentreren op de huidige staat van het systeem, zegt Bakker, vooral als wordt verwacht dat bepaalde stations binnen een uur of zo meer vraag zullen hebben.

"Het is erg complex, omdat het een groot systeem is", zei hij. "Misschien is er over een uur veel vraag op het station. Dus je wilt er al fietsen naartoe brengen. Maar tegelijkertijd kunnen er stations zijn die nu bijna leeg zijn, en ze hebben wat fietsen nodig. Dus je moet deze afweging maken."

Het is ook belangrijk om pick-ups en drop-offs te coördineren tussen de verschillende voertuigen die het fietsdeelnetwerk bedienen, zei hij.

Digitale tweelingen en rekentijd

Bakker en zijn collega's werken samen met de afdeling Computerwetenschappen van NTNU om een ​​"digitale tweeling", of een computersimulatie, te maken van de systemen die ze modelleren, zodat ze verschillende benaderingen kunnen uitproberen zonder ze in de echte wereld te hoeven testen.

Uit de eerste tests bleek dat het door de groep gegenereerde model het aantal problemen (ofwel niet genoeg fietsen waar de gebruiker er een wil, of te veel fietsen zodat de gebruiker de fiets niet kan parkeren) met 41 procent kan verminderen in vergelijking met het niet opnieuw uitbalanceren helemaal niet.

Vergeleken met de huidige herbalanceringspraktijken van Oslo City Bikes, dat ook een medewerker is van de NFR-subsidie, is het aantal problemen met 24 procent verminderd. Bakker zegt dat nieuwere versies van het model nog meer potentieel hebben.

Eenvoudigere benaderingen ook mogelijk

Het is niet verrassend dat de soorten berekeningen die nodig zijn om het model te laten werken complex zijn en dat onderzoekers de verschillende parameters die de prestaties van het model beïnvloeden, moeten verfijnen.

Bakker en zijn collega's hebben ook gewerkt aan een onderdeel van het optimalisatiemodel, de criticaliteitsscores genaamd, dat iets eenvoudiger is en onafhankelijk van het grotere optimalisatiemodel kan worden gebruikt.

Een kriticiteitsscore is in feite een score die wordt gegeven aan verschillende parkeerplaatsen voor het delen van fietsen op basis van het aantal fietsen dat het momenteel bevat of nodig heeft. Deze scores zijn relatief eenvoudig te berekenen en kunnen aan chauffeurs worden verstrekt terwijl ze door de stad reizen om het aantal fietsen op elk station opnieuw in evenwicht te brengen.

"Het is een score die de chauffeur vertelt welk station het meest kritisch is om te bezoeken," zei Bakker. "Als je dat kunt presenteren aan de persoon die de auto bestuurt en zegt dat dit de stations zijn met de hoogste kritieke score, kunnen we iets bieden dat niet de beste is, maar het is waarschijnlijk goed, en veel beter dan wat fietsdeelbedrijven nu doen ."

Vele van Urban Sharing zegt dat het gebruik van dit soort optimalisatiemodellen kan helpen om het delen van fietsen tot een belangrijk onderdeel van het stadsvervoer te maken.

"Urban Sharing's visie op toekomstige mobiliteit is een transportsysteem dat responsief en adaptief is. Door gebruik te maken van data en algoritmen voor machine learning/optimalisatie, kunnen we het beste van zowel traditionele als moderne transportsystemen combineren en een hulpbronnenefficiënt systeem creëren dat inspeelt op vraag en past zich aan de individuele behoeften van gebruikers aan," zei ze.

Het onderzoek is gepubliceerd in het European Journal of Operational Research . + Verder verkennen

Lyft schort e-bikes op na batterijbranden