Heuristics for the management of a fleet of autonomous, electrics, bookable and shareable taxis

Le transport routier de personnes est actuellement en train de se transformer de multiples manières : automatisation des véhicules, électrification, intégration des Technologies de l'Information et de la Communication (TIC) aux systèmes de gestion, pour n'en nommer que trois. Ces transformations apportent de nouveaux challenges et de nouvelles opportunités dans le domaine de la mobilité individuelle. L'objectif de cette thèse est de mettre au point un service gérant de manière centralisée une flotte de taxis électriques, autonomes, et partagés traitant le plus de clients possible.Du point de vue de l'électrification, trois difficultés sont étudiées. 1) La distance pouvant être parcourue après chaque plein est plus faible que pour les véhicules à combustion. 2) La vitesse à laquelle un plein est effectué est plus faible. 3) L'usage de l'infrastructure de recharge est susceptible d'être limité. La gestion de la recharge des véhicules doit être la plus efficace possible, afin de maximiser le temps de fonctionnement utile des taxis. Nous étudions deux cas : statique et dynamique. Dans le cas statique, les requêtes des clients sont connus longtemps à l'avance, et le gestionnaire de la flotte de taxi peut choisir librement quel client traiter. Dans le cas dynamique, les clients sont découverts au fur et à mesure qu'ils réservent, et le gestionnaire doit indiquer en temps réel à chaque client qui réserve si sa demande est acceptée.Une approche holistique est utilisée dans cette thèse, afin d'intégrer cette gestion de la recharge dans un système complet. On considère ainsi l'impact du stationnement et du partage de course sur le comportement des taxis. Enfin, nos tests sont effectués sur des instances de grande taille, comptant des dizaines de milliers de clients, basées sur des données réelles.Pour résoudre ces instances, nous proposons une heuristique gloutonne myope, améliorée par deux méthode de recherche de voisinage. La première méthode est une montée de colline, et la seconde un recuit simulé. Nos résultats montrent que ces méthodes sont adaptés pour des instances comportant des dizaines de milliers de clients, mais que le temps de calcul requis par le recuit simulé est très élevé. Nos résultats montrent également comment ces méthodes doivent être paramétrées en fonction des caractéristiques de l'instance sur laquelle elles sont utilisées, et diverses pistes permettant d'obtenir de meilleurs résultats.Individual transportation is currently undergoing multiple transformations: Automation of vehicles, electrification, integration of Information & Communications Technologies (ICT) in management systems, to name only three. These transformations bring new challenges and opportunities to the domain of individual mobility. The objective of this thesis is to develop a centralised system managing a fleet of electrics, autonomous, and shared taxis treating as many customers as possible.Regarding electrification, three difficulties are studied. 1) The range of electric vehicles is lower than for internal combustion vehicles. 2) Refilling is slower. 3) The charging infrastructure usage may be constraint. The recharge of vehicles must therefore be as efficient as possible, to maximise their uptime. We study two cases: static and dynamic. In the static case, clients' requests are known long in advance, and the fleet manager can freely choose the clients to treat. In the dynamic cas, each client is discovered when he formulate his request to the fleet manager, who has to tell in real-time if the client's request is accepted.A holistic approach is used in this thesis, to integrate the recharge management in a complete system. Thus, we consider the impact of parking and ride-sharing on the behaviour of taxis. Finally, our tests are performed on large instances, involving dozens of thousands of clients, based on real data.To solve these instances, we propose a myopic greedy heuristic, improved by two neighbourhood search method. The first method is a hill climbing, and the second one is a simulated annealing. Our results show that these methods are fitting for instances with tens of thousands of customers, but that the computation time required for the simulated annealing is very high. Our results also show how these methods must be parametered depending on the caracteristics of the instances, and we propose various ways to improve these results