Data-driven optimization of bus schedules under uncertainties
Thèse ou mémoire
2023-06 (octroi du grade: 2023-09-13)
Cycle d'études
DoctoratProgramme
InformatiqueMots-clés
- Apprentissage statistique
- Géneration de colonnes
- Optimisation stochastique
- Programmation en nombres entiers
- Problème d’itinéraires de véhicule
- Transport public
- Column generation
- Integer programming
- Public transport
- Statistical learning
- Stochastic programming
- Vehicle scheduling problem
- Applied mathematics / Mathématiques appliquées (UMI : 0364)
Résumé·s
Plusieurs sous-problèmes d’optimisation se posent lors de la planification des transports publics. Le problème d’itinéraires de véhicule (PIV) est l’un d’entre eux et consiste à minimiser les coûts opérationnels tout en assignant exactement un autobus par trajet planifié de sorte que le nombre d’autobus entreposé par dépôt ne dépasse pas la capacité maximale disponible. Bien que les transports publics soient sujets à plusieurs sources d’incertitude (à la fois endogènes et exogènes) pouvant engendrer des variations des temps de trajet et de la consommation d’énergie, le PIV et ses variantes sont la plupart du temps résolus de façon déterministe pour des raisons de résolubilité. Toutefois, cette hypothèse peut compromettre le respect de l’horaire établi lorsque les temps des trajets considérés sont fixes (c.-à-d. déterministes) et peut produire des solutions impliquant des politiques de gestion des batteries inadéquates lorsque la consommation d’énergie est aussi considérée comme fixe. Dans cette thèse, nous proposons une méthodologie pour mesurer la fiabilité (ou le respect de l’horaire établi) d’un service de transport public ainsi que des modèles mathématiques stochastiques et orientés données et des algorithmes de branch-and-price pour deux variantes de ce problème, à savoir le problème d’itinéraires de véhicule avec dépôts multiples (PIVDM) et le problème d’itinéraires de véhicule électrique (PIV-E).
Afin d’évaluer la fiabilité, c.-à-d. la tolérance aux délais, de certains itinéraires de véhicule, nous prédisons d’abord la distribution des temps de trajet des autobus. Pour ce faire, nous comparons plusieurs modèles probabilistes selon leur capacité à prédire correctement la fonction de densité des temps de trajet des autobus sur le long terme. Ensuite, nous estimons à l'aide d'une simulation de Monte-Carlo la fiabilité des horaires d’autobus en générant des temps de trajet aléatoires à chaque itération. Nous intégrons alors le modèle probabiliste le plus approprié, celui qui est capable de prédire avec précision à la fois la véritable fonction de densité conditionnelle des temps de trajet et les retards secondaires espérés, dans nos modèles d'optimisation basés sur les données.
Deuxièmement, nous introduisons un modèle pour PIVDM fiable avec des temps de trajet stochastiques. Ce problème d’optimisation bi-objectif vise à minimiser les coûts opérationnels et les pénalités associées aux retards. Un algorithme heuristique basé sur la génération de colonnes avec des sous-problèmes stochastiques est proposé pour résoudre ce problème. Cet algorithme calcule de manière dynamique les retards secondaires espérés à mesure que de nouvelles colonnes sont générées.
Troisièmement, nous proposons un nouveau programme stochastique à deux étapes avec recours pour le PIVDM électrique avec des temps de trajet et des consommations d’énergie stochastiques. La politique de recours est conçue pour rétablir la faisabilité énergétique lorsque les itinéraires de véhicule produits a priori se révèlent non réalisables. Toutefois, cette flexibilité vient au prix de potentiels retards induits. Une adaptation d’un algorithme de branch-and-price est développé pour évaluer la pertinence de cette approche pour deux types d'autobus électriques à batterie disponibles sur le marché.
Enfin, nous présentons un premier modèle stochastique pour le PIV-E avec dégradation de la batterie. Le modèle sous contrainte en probabilité proposé tient compte de l’incertitude de la consommation d’énergie, permettant ainsi un contrôle efficace de la dégradation de la batterie grâce au contrôle effectif de l’état de charge (EdC) moyen et l’écart de EdC. Ce modèle, combiné à l’algorithme de branch-and-price, sert d’outil pour balancer les coûts opérationnels et la dégradation de la batterie. The vehicle scheduling problem (VSP) is one of the sub-problems of public transport planning. It aims to minimize operational costs while assigning exactly one bus per timetabled trip and respecting the capacity of each depot. Even thought public transport planning is subject to various endogenous and exogenous causes of uncertainty, notably affecting travel time and energy consumption, the VSP and its variants are usually solved deterministically to address tractability issues. However, considering deterministic travel time in the VSP can compromise schedule adherence, whereas considering deterministic energy consumption in the electric VSP (E-VSP) may result in solutions with inadequate battery management. In this thesis, we propose a methodology for measuring the reliability (or schedule adherence) of public transport, along with stochastic and data-driven mathematical models and branch-and-price algorithms for two variations of this problem, namely the multi-depot vehicle scheduling problem (MDVSP) and the E-VSP.
To assess the reliability of vehicle schedules in terms of their tolerance to delays, we first predict the distribution of bus travel times. We compare numerous probabilistic models for the long-term prediction of bus travel time density. Using a Monte Carlo simulation, we then estimate the reliability of bus schedules by generating random travel times at each iteration. Subsequently, we integrate the most suitable probabilistic model, capable of accurately predicting both the true conditional density function of the travel time and the expected secondary delays, into the data-driven optimization models.
Second, we introduce a model for the reliable MDVSP with stochastic travel time minimizing both the operational costs and penalties associated with delays. To effectively tackle this problem, we propose a heuristic column generation-based algorithm, which incorporates stochastic pricing problems. This algorithm dynamically computes the expected secondary delays as new columns are generated.
Third, we propose a new two-stage stochastic program with recourse for the electric MDVSP with stochastic travel time and energy consumption. The recourse policy aims to restore energy feasibility when a priori vehicle schedules are unfeasible, which may lead to delays. An adapted algorithm based on column generation is developed to assess the relevance of this approach for two types of commercially available battery electric buses.
Finally, we present the first stochastic model for the E-VSP with battery degradation. The proposed chance-constraint model incorporates energy consumption uncertainty, allowing for effective control of battery degradation by regulating the average state-of-charge (SOC) and SoC deviation in each discharging and charging cycle. This model, in combination with a tailored branch-and-price algorithm, serves as a tool to strike a balance between operational costs and battery degradation.
Ce document diffusé sur Papyrus est la propriété exclusive des titulaires des droits d'auteur et est protégé par la Loi sur le droit d'auteur (L.R.C. (1985), ch. C-42). Il peut être utilisé dans le cadre d'une utilisation équitable et non commerciale, à des fins d'étude privée ou de recherche, de critique ou de compte-rendu comme le prévoit la Loi. Pour toute autre utilisation, une autorisation écrite des titulaires des droits d'auteur sera nécessaire.