Revue de littérature — Ridesharing & Mobility-on-Demand (2020–2025)
Vue d’ensemble
La littérature récente sur les systèmes de mobilité à la demande (MoD) avec ride-sharing s’articule autour de trois axes complémentaires : (1) modélisation multi-agents et émergence, (2) optimisation et apprentissage pour la gestion de flotte, et (3) comportement des usagers et hétérogénéité. Cette revue couvre la période 2020–2025, avec comme point d’ancrage le travail de Dafflon et al. (2020) sur les micro-communautés émergentes.
1. Émergence et auto-organisation dans les systèmes MoD
Le travail fondateur de cette période est Dafflon et al. (2020), qui propose un modèle SMA où des micro-communautés émergent spontanément de la coopération locale entre riders et véhicules. L’environnement virtuel inspiré de la physique newtonienne (champ gravitationnel) permet de définir des forces d’attraction/répulsion qui produisent, sans coordination centrale, une organisation spatiale adaptée à la demande. Ce travail s’inscrit dans la tradition des SMA réactifs appliqués à la mobilité.
Dans une perspective complémentaire, Bucchiarone et al. (2021) démontrent que l’auto-organisation peut également émerger côté flotte : leurs navettes autonomes forment spontanément des convois et adaptent leurs itinéraires via des mécanismes de stigmergie décentralisée. Les deux approches illustrent que l’émergence peut opérer à différentes couches d’un système de mobilité — côté demande (riders) et côté offre (véhicules).
2. Apprentissage par renforcement et gestion de flotte
La gestion efficace d’une flotte MoD nécessite deux décisions couplées : l’assignation des véhicules aux requêtes, et le rééquilibrage des véhicules vides. Le framework SAMoD (Guériau et al., 2020) a établi que l’apprentissage par renforcement décentralisé — chaque véhicule apprenant sa propre politique — produit des systèmes robustes à la congestion trafic sans nécessiter de coordination centrale. Cette robustesse est une propriété émergente du système d’agents apprenants.
Castagna et al. (2021) raffinent cette approche en proposant des zones de rééquilibrage générées dynamiquement selon la demande observée. Contrairement aux zones statiques définies à la conception, ces zones s’adaptent aux patterns temporels et spatiaux de la demande, réduisant le nombre de requêtes non satisfaites. Cette adaptation constitue une forme d’apprentissage structurel du système.
3. Comportement des usagers et hétérogénéité
Un angle peu exploré dans les travaux précédents est l’hétérogénéité des usagers. Kucharski et al. (2024) montrent que supposer des usagers homogènes et déterministes biaise significativement l’évaluation des systèmes ride-pooling. En classant les usagers en 4 profils (valeur du temps × tolérance au partage), ils obtiennent des économies kilométriques plus faibles mais des gains d’utilité plus élevés que les modèles classiques. Ce résultat soulève une question ouverte pour les travaux sur l’émergence : comment l’hétérogénéité des paramètres des agents influence-t-elle les structures émergentes ?
Synthèse et pistes pour la thèse
| Axe | Papiers clés | Question ouverte |
|---|---|---|
| Émergence côté demande | Dafflon 2020 | Taille critique des micro-communautés ? Rôle du paramètre β ? |
| Émergence côté offre | Bucchiarone 2021 | Couplage émergence demande+offre ? |
| RL et gestion de flotte | Guériau 2020, Castagna 2021 | Combiner RL flotte + émergence communautés ? |
| Hétérogénéité usagers | Kucharski 2024 | Impact de l’hétérogénéité sur les structures émergentes ? |
La convergence de ces travaux pointe vers une question centrale : peut-on concevoir un système MoD où l’émergence se produit simultanément et de façon cohérente aux deux niveaux (riders et véhicules), en tenant compte de l’hétérogénéité des agents ?