Stochastic Modelling of Free-Floating Car-Sharing Systems
Notice bibliographique
Résumé
Car-sharing systems (CSSs) have gained popularity during the last decade as a flexible, efficient and ecological alternative mode of transportation. But for the operator, managing such systems is far to be simple. Due to heterogeneity of demand and also randomness, the user may face a lack of resources: no car or no parking space available. And the operator has to design the system in order to improve it. The total number of cars impact the performance of the system. We address the dimensioning issue. For that, mathematical models are needed. In many cities, two systems coexist: station-based and free-floating. The latter gives more flexibility to the user both to take or return the car. But he can reserve only the car for a short period, and not the parking space, as the car is parked on public space with no specific parking spaces. The car reservation is here to help the user. The aim of the paper is to study its influence on the system behavior. This study focuses on Communauto's Montreal free-floating car-sharing system (FFCSS). Data analysis investigates the main features of the system based on user preferences. It allows proposing a mathematical modelling. Then we present two analytical approaches. First the mean-field method could be used for different variants, and w gives first insights on the optimal fleet size in a homogeneous framework. Second the general inhomogeneous model is described as a closed Jackson network with blocking-rerouting policy. We prove that its state at stationarity is given by a product-form distribution. It allows in future work to obtain an explicit large-scale representation of the system which can be used both theoretically or numerically for optimization purposes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».