Dynamic Optimization for Smart Bike-Sharing: Demand-Driven Rebalancing
Notice bibliographique
Résumé
Bike-sharing systems are an important mode of transportation allowing people to rent bikes for short trips and return them to any station across the city. However, the dynamic nature of user arrivals at bike-sharing stations often leads to imbalances between bike supply and demand, resulting in unsatisfied user requests and negatively impacting the overall popularity of bike-sharing systems. Additionally, a key opera- tional challenge is the efficient deployment and scheduling of rebalancing vehicles, as effective rebalancing policies can significantly reduce supply-demand mismatches and improve system cost-effectiveness. Another critical issue is the accurate prediction of bike pickup and drop-off demand at each station. Reliable demand forecasts enable operators to develop more robust and proactive rebalancing strategies. To address these challenges, this thesis introduces a dynamic rebalancing model that minimizes unsatisfied users by forming dynamic rebalancing groups and optimally allocating rebalancing vehicles based on demand fluctuations. The problem is formulated as a two-stage stochastic programming model. In the first stage, the model determines the optimal number of vehicles to deploy. In the second stage, stations are assigned to each rebalancing group based on their rebalancing needs, considering travel distance limits in each period. To address the computational challenge, we propose two approaches: the Integer L-shaped Decomposition based algorithms and a heuristic algorithm that helps the Integer L-shaped Decomposition to find the solution faster. Next, we develop machine learning-based prediction models to predict station-level bike pickup and drop-off demand, with a focus on the downtown Toronto case study. These models capture the time, weather, and temporal dependencies of station-level demand. Using the predicted demand rates, we run simulations and apply the pro- posed optimization models to determine the optimal rebalancing policy that minimizes the total cost of rebalancing and user dissatisfaction. The results demonstrate that the proposed rebalancing strategy reduces the total system cost compared to benchmark approaches. Moreover, our proposed heuristic algorithm decreases the model’s computational time by 51% relative to the Integer L-shaped decomposition method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».