MaaSSim: agent-based two-sided mobility platform simulator
Kucharski, Rafal et al. — 2022
Résumé (FR)
Cet article présente MaaSSim, un simulateur open source à base d’agents reproduisant le système de transport utilisé par deux types d’agents : les voyageurs, qui souhaitent se déplacer de leur origine à leur destination à un moment donné, et les conducteurs, qui répondent à leurs besoins de transport en proposant des trajets. Un agent intermédiaire, la plateforme, assure la mise en correspondance de l’offre et de la demande. MaaSSim permet d’étudier les dynamiques complexes des plateformes de mobilité bifaces, comme Uber ou Lyft, dans des contextes urbains réalistes. Le simulateur intègre des mécanismes de tarification dynamique, d’acceptation ou de rejet des courses, et d’apprentissage adaptatif des conducteurs. Les auteurs présentent plusieurs cas d’utilisation illustrant la flexibilité du cadre pour l’analyse de politiques de mobilité partagée. MaaSSim est disponible en open source avec un ensemble de tutoriels et de scénarios reproductibles.
Summary (EN)
This paper presents MaaSSim, an open-source agent-based simulator reproducing the transport system used by two kinds of agents: travelers, requesting to travel from their origin to destination at a given time, and drivers, supplying travel needs by offering rides. An intermediate agent, the platform, matches demand with supply. MaaSSim allows studying the complex dynamics of two-sided mobility platforms, such as Uber or Lyft, in realistic urban contexts. The simulator integrates mechanisms for dynamic pricing, ride acceptance or rejection, and adaptive driver learning. The authors present several use cases illustrating the framework’s flexibility for shared mobility policy analysis. MaaSSim is available open source with a set of tutorials and reproducible scenarios.
Points clés
| Aspect | Détail |
|---|---|
| Thème | simulation-platforms |
| Venue | PLOS ONE |
| Mots-clés | MaaSSim, ride-hailing, two-sided platform, agent-based simulation, supply-demand interaction |
| DOI | 10.1371/journal.pone.0269682 |