Hyper-Pool: Pooling Private Trips into High-Occupancy Transit-Like Attractive Shared Rides
Kucharski Rafal et al. — 2024
Résumé (FR)
Cet article propose Hyper-pool, un algorithme analytique hors ligne qui agrège des demandes de trajets individuels en courses partagées attractives à haute occupation. La méthode fonctionne en deux étapes : elle génère d’abord des trajets stop-à-stop avec un seul point de prise en charge et de dépose optimal pour tous les co-voyageurs, puis regroupe ces trajets en courses hyper-poolées ressemblant à des opérations de transport en commun. Dans une étude de cas sur Amsterdam, la méthode a réussi à regrouper plus de 220 voyageurs en 40 courses hyper-poolées d’une occupation moyenne de 5,8 passagers par véhicule. Contrairement au transit classique, les itinéraires sont entièrement déterminés par la demande réelle et non par une offre planifiée à l’avance. Cette approche illustre la convergence entre covoiturage à la demande et transport en commun structuré en lignes. Elle démontre que la concentration des flux via des points fixes d’arrêt améliore radicalement l’efficacité du partage.
Summary (EN)
This paper presents Hyper-pool, an offline analytical algorithm that aggregates individual trip requests into attractive high-occupancy shared rides. The method works in two stages: it first generates stop-to-stop rides with a single pickup and dropoff point optimal for all co-travellers, then bundles these into hyper-pooled rides resembling public transit operations. In an Amsterdam case study, the method pooled over 220 travellers into 40 hyper-pooled rides with an average occupancy of 5.8 passengers per vehicle. Unlike classical transit, itineraries are fully demand-driven rather than pre-planned. This approach illustrates the convergence between on-demand ridesharing and line-structured public transport. It demonstrates that concentrating flows via fixed stop points dramatically improves sharing efficiency.
Points clés
| Aspect | Détail |
|---|---|
| Méthode | Algorithme analytique hors ligne en deux étapes : génération de trajets stop-à-stop avec PUDO optimal, puis regroupement en courses hyper-poolées |
| Données | Étude de cas sur Amsterdam avec demandes de trajets individuels réels |
| Résultat principal | 220+ voyageurs regroupés en 40 courses hyper-poolées, occupation moyenne de 5,8 passagers/véhicule |
| Lien demand/offer-driven | Les itinéraires sont entièrement déterminés par la demande réelle, sans offre planifiée a priori — convergence entre on-demand et transit structuré |
| Lien réseau/flux | La concentration des flux via des points d’arrêt fixes (PUDO) améliore radicalement l’efficacité du partage et génère des lignes émergentes |
Lien avec la problématique
Hyper-pool illustre directement la complémentarité entre logique demand-driven et logique offer-driven : en laissant la demande réelle définir les itinéraires, le système fait émerger des structures ressemblant à des lignes de transport en commun, sans les imposer a priori. Cela rejoint la question centrale de la thèse sur la concentration des flux via des hubs et des points PUDO comme levier d’efficacité pour la mobilité partagée. L’article démontre qu’une structuration en réseau (arrêts fixes, regroupement en courses) n’est pas nécessairement une contrainte d’offre rigide, mais peut être une propriété émergente d’une demande suffisamment dense.