Xinran Chen, né à Chongqing, en Chine, en 2002, est actuellement étudiant de premier cycle à l’École des transports et de la logistique, Université du sud-ouest de Jiaotong, ville de Chengdu, province du Sichuan.

Maas (Mobility as a Service) sert de plateforme qui intègre les ressources du transport urbain pour offrir des services porte-à-porte. Pour le métro, les modes de transfert existants, tels que bus, ride-hailing et bike-sharing présentent les défauts d’un long temps d’attente et d’un faible confort. On s’attend à ce que les véhicules autonomes partagés (SAV) comblent les lacunes ci-dessus, résolvant mieux le problème du « dernier kilomètre », favorisant ainsi le développement et la mise en œuvre des services de Maas.
Dans ce document, un cadre d’optimisation de l’aide à la décision en deux étapes est présenté pour le problème de l’efficacité de l’intégration du métro et du SAV. Premièrement, en fonction des caractéristiques opérationnelles et de la relation entre SAV et métro, nous proposons trois modes d’intégration, Walk& Subway & SAV, SAV & Subway & Walk et SAV & Subway & SAV. En tenant compte de la dynamique continue des demandes réelles de déplacement de passagers, le concept du temps de rafraîchissement est introduit pour décomposer le problème dynamique du fractionnement du trajet SAV en une série de problèmes statiques. Un modèle SAV de covoiturage est établi, visant à minimiser le nombre de véhicules SAV et la distance totale parcourue. Ensuite, un algorithme amélioré à deux étages est conçu pour résoudre le problème multi-objectif.
Dans la première étape, le clustering k-means++ est appliqué en fonction des angles de direction des ordres pour réduire la portée de la solution. Dans une deuxième étape, un algorithme NSGA-II amélioré basé sur l’opérateur Large Neighborhood Search (LNS) est proposé pour obtenir des solutions globales optimales stables.
De plus, nous validons les résultats de l’algorithme en utilisant le référentiel de données de Solomon publiquement disponible, ce qui confirme sa cohérence avec les solutions optimales internationales connues. Dans nos expériences, nous utilisons les données de commande du covoiturage à Chengdu et analysons les avantages du mode intégré d’un point de vue spatio-temporel.
Les résultats démontrent que le modèle de voyage intégré proposé dans cette étude permet d’atteindre un taux de covoiturage (70,44 %) et un taux d’occupation (73,60 %) plus élevés que les covoiturages traditionnels. Il permet également d’économiser en moyenne 19,40 secondes par personne en temps de déplacement aux heures de pointe, réduit l’utilisation des véhicules de 64,27 %, les coûts de déplacement de 84,91 % et les émissions de carbone de 87,91 %. De plus, en ce qui concerne la dimension temporelle, le mode intégré surpasse le mode conventionnel dans diverses mesures pendant les heures de pointe par rapport aux heures creuses. Dans la dimension spatiale, le mode intégré réduit les coûts de déplacement et les émissions de carbone pour des distances de déplacement plus longues. L’algorithme proposé dans cet article peut être étendu à d’autres problèmes d’intégration concernant les transports publics et le SAV, fournissant des références théoriques scientifiques et fiables ainsi qu’un support technique pour intégrer les modes de déplacement dans les futurs scénarios de conduite.
Xinran Chen

Mode d’intégration, covoiturage avec véhicules autonomes partagés, transfert de métro, optimisation bi-objectif, algorithme NSGAII amélioré