Condividi su:

Il segreto del bike sharing sono gli algoritmi ! Le città di tutto il mondo, hanno lanciato programmi di bike sharing come alternative di trasporto sostenibile. L’obiettivo primario è evitare la congestione del traffico, migliorare la salute pubblica e ridurre le emissioni di carbonio. 

I ciclisti in quelle città, nel frattempo, hanno abbracciato il bike sharing per rendere i loro spostamenti più veloci, più economici e più divertenti.

Tuttavia, nonostante i vantaggi e la popolarità di questi programmi, permangono importanti sfide operative. Prendi, ad esempio, la distribuzione di biciclette. A causa dei modelli di pendolarismo, i quartieri residenziali affrontano una carenza di biciclette nella corsa mattutina, mentre i distretti degli affari hanno una scarsità di biciclette la sera. Inoltre, i parcheggi possono essere pieni a determinate ore, rendendo difficile per i ciclisti la restituzione delle biciclette una volta raggiunta la destinazione.

Risolvere questo problema non è facile. 

I sistemi di bike sharing spesso utilizzano i ciclisti per rimuovere le bici dalle stazioni completamente occupate e riempire i parcheggi nelle stazioni in cui sono necessarie, un sistema conosciuto come riequilibrio, durante le ore di punta dei pendolari. 

Molti sistemi riequilibrano la fornitura di biciclette utilizzando flotte di furgoni che riallocano dozzine di biciclette in un determinato momento. Si tratta di uno sforzo costoso e dispendioso in termini di tempo e d’inquinamento. Pertanto, è fondamentale che il riequilibrio sia il più efficiente possibile.

Nonostante il fatto che i modelli di domanda generale siano prevedibili in forma aggregata, i sistemi di bike sharing sono reti complesse e le decisioni operative implicano molte sottigliezze. 

Prendi, ad esempio, le decisioni sul trasferimento delle biciclette in un quartiere residenziale. Ogni mattina c’è una grande richiesta da parte di pendolari che noleggiano biciclette per recarsi al lavoro; spostare in modo intuitivo altre bici lì ha senso. Eppure, durante la corsa pomeridiana, quando la marea della domanda cambia, le biciclette aggiunte la mattina tardi, troppo tardi per essere utilizzate dai pendolari, impediscono ai ciclisti di restituire le loro biciclette durante i loro viaggi verso casa. 

Un approccio basato sui dati

È fondamentale identificare il punto in cui non è necessario spostare ulteriori biciclette; per questo, non possiamo fare affidamento sul nostro intuito, ma dobbiamo invece adottare un approccio basato sui dati.

Con questo in mente, David B. Shmoys e Shane G. Henderson della Cornell University; Hangil Chung, laureato alla Cornell; e Eoin O’Mahony, con un dottorato di ricerca alla Cornell, hanno iniziato a sviluppare algoritmi sofisticati e analisi avanzate per affrontare le nuove sfide delle operazioni di bike sharing.

Il programma Bike Angels

Un’area in cui sono stati applicati questi metodi è stato il programma Bike Angels del settore Motivate (ora parte di Lyft). 

Come parte del programma, i ciclisti guadagnano punti noleggiando o restituendo biciclette in determinate stazioni ad alto bisogno. Inizialmente, il programma ha assegnato punti per lo stesso modello di stazioni ogni mattina e un modello fisso diverso ogni pomeriggio. Successivamente, abbiamo scoperto che questi schemi fissi causano inefficienze quando i rendimenti (o gli affitti) sono incentivati ​​in luoghi in cui non aiutano effettivamente il riequilibrio.

Queste inefficienze non sono solo dovute a previsioni della domanda imperfette, ma anche all’eterogeneità individuali nelle ore di punta . 

In altre parole, il sistema a volte cambia troppo velocemente perché un modello costante sia efficiente durante un’ora di punta; la modifica dei modelli in base alle informazioni in tempo reale può aumentare l’impatto degli incentivi di circa il 15 percento.

Oggi Bike Angels rappresenta circa il 30 percento del riequilibrio delle bici a New York City . Ha aumentato la soddisfazione del cliente che, a sua volta, ha migliorato la capacità di guida. E, soprattutto, questa forma di riequilibrio inquina molto meno rispetto ai camion porta bici!

Gli algoritmi risolvono molti problemi

Abbiamo applicato l’analisi per risolvere anche altri problemi. Ad esempio, abbiamo sfruttato i dati degli utenti per identificare insiemi di stazioni in cui il numero di parcheggi era spesso sottoutilizzato e anche per determinare quali stazioni avrebbero beneficiato di ulteriore capacità di parcheggio.

Un altro algoritmo ha aiutato gli operatori di bike sharing a identificare in remoto apparecchiature difettose. Analizzando le informazioni sull’utilizzo, siamo stati in grado di aiutare gli operatori a determinare con precisione se devono inviare gli equipaggi per riparare una bici o un parcheggio difettosi. 

Affrontare tempestivamente i problemi di manutenzione è un altro contesto in cui l’analisi può avere un impatto significativo sull’esperienza dei ciclisti.

A dire il vero , analisi e algoritmi non sono la panacea per ogni nuovo problema di trasporto. Hanno molte limitazioni, incluse informazioni incomplete dovute alla domanda “bloccata”. Ossia, osserviamo solo i noleggi (resi) realizzati presso le stazioni in cui erano disponibili biciclette (banchine), non quelli che sono stati bloccati a causa dello squilibrio del sistema.

Eppure, è anche chiaro che molte sfide che sorgono con le nuove opzioni di mobilità, tra cui le e-bike e i sistemi di condivisione di bici fluttuanti, richiedono soluzioni basate sui dati. Man mano che le città si spostano verso la riduzione delle auto, l’analisi può aiutare la società a pedalare nella giusta direzione.

Condividi su: