Optimierung von Mobilitätsdiensten auf Abruf

Abstract

Das weltweite Städtewachstum führt zu einer Zunahme des Pendlerverkehrs, von Staus,  und verursacht Umweltverschmutzungen und erhöhte Gesundheitsrisiken. Technologiegetriebene Verkehrsinnovationen, wie On-Demand- und Shared-Mobility-Dienste, sollen diese Herausforderungen angehen. Die Integration dieser Dienste in den öffentlichen Nahverkehr könnte das Verkehrswesen revolutionieren und darum wird in dieser Arbeit die Optimierung des On-Demand-Verkehrs in Städten anhand von folgenden Methoden untersucht:

1. Die Analyse historischer Reisezeitdaten verbessert die Genauigkeit, was der Verkehrsoptimierung und der Erkennung von Staus zugute kommt.
2. Die Implementierung eines Echtzeit-Shuttle-Ridesharing-Algorithmus reduziert die Wartezeiten und Verspätungen im Auto für Taxifahrten in Manhattan.
3. Die Entwicklung präziser Modelle für kurzfristige Nachfrageprognosen, insbesondere unter Verwendung von Deep-Learning-Techniken, erhöht die Vorhersagegenauigkeit.

Diese Forschung liefert Erkenntnisse für die Optimierung des städtischen Verkehrsbetriebs, die Verbesserung von Ridesharing-Diensten und die effiziente Planung der Flottendisposition.