Algorithme d`optimisation adaptatif pour un service
Transcription
Algorithme d`optimisation adaptatif pour un service
Algorithme d'optimisation adaptatif pour un service de mobilité intégré Sven Vallée¹²³, Wahiba Ramdane Cherif-Khettaf ¹, Ammar Oulamara 2, Rafik Makhloufi 3 1 Université de Lorraine, Loria, UMR 7503 CNRS, Ecole des Mines de Nancy, Campus Artem, 54042, Nancy, France {sven.vallee, wahiba.ramdane}@loria.fr ² Université de Lorraine, IUT Metz, Ile de Saulcy, 57000 Metz, France [email protected] 3 Padam Bus, 34 rue de Cléry, Paris, France {sven, rafik}@padambus.com Mots-clés : Optimisation combinatoire, apprentissage, DARP dynamique, transport partagé. 1 Introduction Face aux problèmes de congestion du trafic et de pollution rencontrés dans de nombreuses villes, il est plus que jamais nécessaire de chercher des modes de transport innovants qui peuvent répondre à ce genre de problématiques. C'est dans cet esprit que la Start-Up Padam propose à ses clients un service flexible et dynamique de minibus partagé, à mi-chemin entre le taxi et les transports en commun. Les clients partagent le minibus qui leur est attribué au moment de leur réservation avec d’autres passagers allant dans une direction similaire, et sont déposés à moins de 5 minutes à pied de chez eux, à Paris ou en petite couronne. Le service est pour le moment disponible les vendredis et samedis soirs de 00h30 à 5h du matin au départ de plus de 200 points fixes de Paris. Le système mis en œuvre doit donc adapter ses décisions en fonction des demandes des clients qui sont analysées et prises en compte en temps réel. Cela implique d'avoir d'une part des algorithmes d'optimisation efficaces, et d'autre part de pouvoir anticiper les futures requêtes des clients. Il devient alors nécessaire d’utiliser les données réelles (profils des utilisateurs, contexte,…) dans un processus d’apprentissage couplé avec un processus d’optimisation pour une meilleure mise en relation des demandes avec les véhicules en circulation. 2 Définition du problème D'un point de vue théorique, ce problème appartient à la famille des problèmes de tournées, souvent assimilés au Dial-a-Ride Problem (DARP) pour le transport de personnes, ou au Pick-up and Delivery Problem (PDP) pour le transport de marchandises. Le DARP consiste en la conception de tournées de véhicules pour n clients ayant chacun leur propre lieu de prise en charge, origine, noté o, et leur propre lieu de desserte noté d. Dans sa version de base, le DARP est résolu avec une flotte de véhicules identiques utilisant un même dépôt comme point de départ et de retour des véhicules. L’objectif du DARP est la planification d’une séquence de visites de n couples (o,d), maximisant la qualité du service, et minimisant les coûts de fonctionnement (nombres de véhicules et de chauffeurs nécessaires…). Le modèle de la littérature qui se rapproche le plus de notre problème est la version dynamique, nommée Multi-Vehicle DARP with Time Windows (m-DARPTW), dans laquelle plusieurs véhicules sont considérés et des fenêtres horaires sont associées à chaque demande. 3 Approche de résolution : vers des algorithmes adaptatifs Les problèmes de type DARP ont attiré l’attention des chercheurs depuis plus de 30 ans. Deux versions du DARP ont été étudiées : la version dynamique et la version statique. Dans la version statique, toutes les demandes de transport sont connues au préalable au début du calcul des tournées de véhicules, et donc l’itinéraire que doit suivre chaque véhicule est fixé à l’avance. Les méthodes qui ont été largement utilisées dans le cas statique sont les heuristiques d’insertion des demandes individuelles, avec une ré-optimisation des demandes déjà planifiées ou l’utilisation du principe de regret [1]. Une liste non exhaustive d’autres travaux sur le DARP statique recensés dans la littérature peut être trouvée dans [4], et une approche récente basée sur la méthode ELS est exposée dans [2]. Dans le cas dynamique, les demandes des clients arrivent en temps réel (ou sur une échelle de temps suffisamment courte). Dans la plupart des cas, le problème est traité comme une succession de sous problèmes statiques [3], ceci n'étant pas envisageable dans le cas de Padam. Quelques versions de base du DARP dynamique ont été traitées on-line comme dans [4], où les auteurs ont considéré une flotte de véhicules homogènes de capacité́ unitaire. Par ailleurs, à l’heure du big data et de l’open data où plusieurs sources de données permettent d’affiner les prévisions de demandes en fonction de plusieurs paramètres (état du trafic, saisonnalité, flux de déplacements, etc.), de nouvelles problématiques scientifiques en lien avec l’utilisation de l’intelligence artificielle et de l’apprentissage pour améliorer les méthodes d’optimisation deviennent d’actualité. Concernant le transport à la demande, nous avons noté très peu de travaux en lien avec le couplage des techniques d’apprentissage et des méthodes d’optimisation. Nous pourrons citer, à titre d’exemple, des travaux sur l’intégration de l'aspect prédictif dans les approches de résolution, qui consiste à utiliser la connaissance sur la répartition des futures requêtes pour rendre le service plus efficace et moins coûteux. Ces travaux ont été appliqués sur un modèle simple de tournées avec collecte et livraison dans ([5], [6]), et sur le DARP dynamique dans [7]. Nous proposons d’exposer lors de la conférence une synthèse sur les algorithmes adaptatifs appliqués au DARP dynamique et à ses variantes, et de présenter nos suggestions pour l’application de ce type d’approches dans le contexte réel de l’entreprise Padam. Références [1] M. Dessouky, M. Diana, A new regret insertion heuristic for solving large-scale dial-a-ride problems with time windows, Transportation Research Part B 38, 539-557, 2004 [2] M. Chassaing, C. Duhamel, P. Lacomme, An ELS-based approach with dynamic probabilities management in local search for the Dial-A-Ride Problem, Engineering Applications of Artificial Intelligence, Volume 48, 119-133,2016 [3] O.S. Douglas , C.X. Eduardo. Taxi and Ride Sharing: A Dynamic Dial-a-Ride Problem with Money as an Incentive, Expert Systems with Applications, Vol 42, I19, 6728-6737, 2015 [4] J-F. Cordeau, G. Laporte. The dial-a-ride problem: models and algorithms, Annals of Operations Research, Vol. 153, 29-46, 2007 [5] B. Russell,and P.V. Hentenryck. "Waiting and Relocation Strategies in Online Stochastic Vehicle Routing." IJCAI. 2007. [6] S.Ichoua, M. Gendreau, and J-Y.Potvin. "Exploiting knowledge about future demands for real-time vehicle dispatching." Transportation Science, 40.2 ,211-225,2006 [7] Yuen, C. W., K. I. Wong, and Anthony F. Han. "Waiting strategies for the dynamic dial-a-ride problem." International Journal of Environment and Sustainable Development 8.3-4 (2009) : 314-329. 2