Mobiliteitspatronen voor Context-bewuste dynamic ridesharing diensten

Dynamic ridesharing is een mobiliteitsdienst waarbij automobilisten lege stoelen in hun auto aanbieden om te delen met passagiers van wie de herkomst en bestemming zich langsheen hun afgelegde pad bevinden. Deze vorm van mobiliteit is potentieel duurzaam, omdat het extra mobiliteit biedt louter door het benutten van ongebruikte capaciteit die anders verloren zou gaan, en dus tegen weinig tot geen marginale sociale kosten - dit in tegenstelling tot andere alternatieven voor de eigen auto, zoals deeltaxi’s of openbaar vervoer. Dynamic ridesharing bestaat echter uit een tweezijdige markt, waardoor een kip-en-ei-probleem ontstaat: zonder voldoende vraag naar ritten is er weinig prikkel voor een chauffeur om zijn ritten te delen; zonder dat er voldoende ritten worden gedeeld, is er voor passagiers weinig neiging om voor deze dienst te kiezen.

Om een kritische massa te bereiken voor dynamic ridesharing, is het een optie om contextbewuste softwareagenten te trainen om de mobiliteitspatronen van de bestuurder te herkennen en automatisch aanstaande ritten te voorspellen en aan te bieden om te delen. Hiertoe ontwikkelt dit proefschrift een architectuur voor een dergelijke ridesharing app en de workflow die deze zou moeten uitvoeren bij het verzamelen en verwerken van de reishistorie van de gebruiker. De thesis ontwikkelt ook verbeterde iteratieve methoden om in de reishistorie van de gebruiker diens persoonlijke attractiepolen, typische aankomsttijden of overgangen tussen locaties en andere mobiliteitspatronen te identificeren die kunnen worden gebruikt om een aanstaande rit vooraf te herkennen. Zonder ons te beperken tot specifieke voorspellingstechnieken, gaat dit proefschrift ervan uit dat in het algemeen de voorspellende kracht van een leermethode afhangt van de regelmaat en frequentie van patronen in de reisgeschiedenis (onder andere), en stelt het nieuwe methoden voor om deze multi-dagkenmerken af te leiden uit empirische life-logginggegevens.

Een belangrijke troef om te begrijpen of het totaalaanbod van alle automatisch gedeelde ritten in een studiegebied een aantrekkelijk aanbod zou vormen voor kandidaat-ridesharing-gebruikers, is simulatie in verschillende scenario's van de ritten die gemaakt en gedeeld zouden worden door een synthetische populatie. Bij de bestaande synthetische verkeersvraag ontbreken echter de meerdaagse kenmerken van de ritten en daarom kan men niet bepalen welke subset van alle ritten voorspelbaar en deelbaar zou zijn door een automatische ridesharing-applicatie.

Om hieraan tegemoet te komen, stelt het proefschrift een methode voor voor het genereren van een synthetische vraag met meerdaagse ritkenmerken in een stedelijke regio. Via een nieuw ontwikkelde vorm van statistische matching voegt deze twee complementaire datasets samen: een set bestaande uit meerdaagse tracks van life-logging data, en een tweede met synthetische huisgebaseerde tours voor hetzelfde regionale netwerk van Antwerpen, België. Voor een succesvolle matching moet de doorsnede van beide datasets voldoende overeenkomstige variabelen bevatten; sommige van deze gemeenschappelijke variabelen kunnen echter alleen worden ontdekt via geschikte dataminingprocedures. Door machine learning van functies die de correlaties beschrijven die bestaan in de donorgegevens tussen de gemeenschappelijke variabelen en de meerdaagse kenmerken, werd de ontbrekende meerdaagse informatie met succes getransfereerd naar de receptordatabase.

Gezamenlijk bieden de methodologieën die in dit onderzoek worden beschreven een manier om, op basis van de analyse van big data verzameld door mobiele apparaten, te bestuderen hoe dynamic ridsharing zou kunnen fungeren als een volwassen reismodus in transportplanning, en om hiermee aanbevelingen te doen omtrent gedeelde mobiliteitssystemen.