Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems
Iglesias Ramon et al. — 2018
Résumé (FR)
Cet article propose un cadre de contrôle prédictif basé sur les données pour gérer des flottes de véhicules autonomes dans les systèmes de mobilité à la demande. Les auteurs modélisent le système AMoD avec un réseau spatio-temporel et formulent un algorithme de contrôle prédictif qui exploite des prévisions de demande à court terme. La stratégie de rééquilibrage est calculée de manière centralisée en minimisant simultanément le nombre de véhicules inutilisés et les temps d’attente des passagers. L’algorithme est couplé à un réseau LSTM pour la prédiction de la demande, validé sur des données réelles de DiDi Chuxing. Les résultats montrent que cette approche offer-driven surpasse les stratégies de rééquilibrage de l’état de l’art. Ce travail illustre comment l’anticipation centralisée de la demande peut améliorer l’efficacité opérationnelle d’une flotte MoD.
Summary (EN)
This paper proposes a data-driven model predictive control framework for managing autonomous vehicle fleets in mobility-on-demand systems. The authors model the AMoD system with a spatio-temporal network and formulate a predictive control algorithm that leverages short-term demand forecasts. The rebalancing strategy is computed centrally, simultaneously minimizing unused vehicles and passenger waiting times. The algorithm is coupled with an LSTM neural network for demand prediction, validated on real DiDi Chuxing data. Results show that this supply-driven approach outperforms state-of-the-art rebalancing strategies. This work illustrates how centralized demand anticipation can improve MoD fleet operational efficiency.
Points clés
| Aspect | Détail |
|---|---|
| Méthode | Contrôle prédictif par modèle (MPC) couplé à un réseau LSTM pour la prévision de demande à court terme sur un graphe spatio-temporel |
| Données | Données réelles de courses DiDi Chuxing (plateforme de ride-hailing chinoise) |
| Résultat principal | L’approche MPC data-driven réduit les temps d’attente et le nombre de véhicules inutilisés, surpassant les stratégies de rééquilibrage de l’état de l’art |
| Lien demand/offer-driven | Paradigme offer-driven : la flotte est redistribuée proactivement en anticipant la demande, plutôt qu’en répondant passivement aux requêtes |
| Lien réseau/flux | Le réseau spatio-temporel concentre la modélisation des flux entre zones, illustrant comment la structure topologique conditionne l’efficacité du rééquilibrage |
Lien avec la problématique
Ce travail illustre le paradigme offer-driven dans sa forme la plus aboutie : l’offre de mobilité est anticipée et redistribuée centralement avant même que la demande ne se manifeste, ce qui constitue le pendant algorithmique de la logique de prépositionnement dans un système de covoiturage. La modélisation en réseau spatio-temporel rejoint directement la question de la concentration des flux sur des nœuds (hubs, PUDO, lignes) : l’efficacité du rééquilibrage dépend de la capacité à identifier les zones de forte densité de demande, ce qui est structurellement favorisé par un réseau hiérarchisé. La complémentarité demand-driven / offer-driven apparaît ici comme un continuum : la prévision LSTM permet de glisser d’une logique réactive vers une logique proactive, ce qui soulève la question de l’équilibre optimal entre anticipation centralisée et adaptation locale aux comportements réels des usagers.