Modello di Pianificazione per Taxi Autonomi Aumenta Profitti e Efficienza
Un team di ricercatori della Guangdong University of Technology ha sviluppato un innovativo modello di pianificazione per flotte di taxi elettrici autonomi che integra il valore operativo futuro nelle decisioni di routing in tempo reale, portando a significativi miglioramenti nella redditività a lungo termine e nell’efficienza energetica. Il modello, presentato da Zeng Weiliang e Han Yu della School of Automation, insieme a Fu Hui della School of Electromechanical Engineering, utilizza tecniche di apprendimento per rinforzo per ottimizzare simultaneamente il percorso dei veicoli e le strategie di ricarica e scarica, rappresentando un passo avanti fondamentale nel campo della mobilità urbana intelligente.
Pubblicato sulla rivista Industrial Engineering Journal, lo studio affronta una limitazione critica dei modelli di pianificazione tradizionali: la loro focalizzazione sull’ottimizzazione dei costi in tempo reale, trascurando l’impatto che le decisioni di routing attuali possono avere sui profitti futuri. I sistemi convenzionali spesso impiegano algoritmi di abbinamento avido, assegnando semplicemente il veicolo più vicino a ogni nuova richiesta di corsa, senza considerare come tale decisione influenzi la disponibilità futura, la posizione strategica o il costo energetico. Sebbene questi metodi siano computazionalmente efficienti, spesso portano a una distribuzione subottimale della flotta, tempi di attesa più lunghi per i passeggeri e un uso inefficiente dell’energia, soprattutto per flotte autonome di grandi dimensioni che operano 24 ore su 24.
Per superare queste carenze, il team ha sviluppato un nuovo quadro che valuta non solo il beneficio immediato di ogni decisione di assegnazione, ma anche il suo potenziale impatto sui guadagni futuri. Questo approccio prospettico è reso possibile dall’uso di una funzione di valore di stato approssimata tramite reti neurali profonde, che stima il ritorno cumulativo a lungo termine associato allo stato spazio-temporale di un veicolo dopo l’esecuzione di una determinata azione. Integrando questo valore futuro previsto nella decisione di assegnazione corrente, il modello consente una riposizionamento più strategico dei veicoli, una gestione intelligente della ricarica e un abbinamento più efficace dei passeggeri.
L’innovazione centrale risiede nell’integrazione della tecnologia Vehicle-to-Grid (V2G) e delle tariffe elettriche variabili nel tempo nella logica di pianificazione. A differenza dei modelli convenzionali che trattano la ricarica come un’attività necessaria ma passiva, questo sistema utilizza attivamente le stazioni di ricarica come microreti in cui i taxi autonomi inattivi possono ricaricarsi durante le ore di bassa domanda o vendere energia alla rete durante i picchi di consumo, generando così entrate aggiuntive. Questo flusso bidirezionale di energia trasforma i veicoli elettrici da semplici unità di trasporto in asset energetici mobili che contribuiscono alla stabilità della rete e riducono contemporaneamente i costi operativi della flotta.
Il modello opera all’interno di una finestra di tempo fissa—impostata a cinque minuti nella simulazione—durante la quale il sistema valuta tutte le azioni disponibili per ogni veicolo “assegnabile”. Queste azioni includono rimanere inattivo, riposizionarsi in una nuova zona, ricaricare, scaricare o accettare una richiesta di passeggero. Ogni azione riceve un valore composto che combina il suo ritorno finanziario immediato con il valore futuro scontato dello stato risultante del veicolo. La soluzione globale di assegnazione è quindi determinata risolvendo un problema di abbinamento bipartito pesato che massimizza il valore totale della flotta, rispettando vincoli come un veicolo per corsa e una corsa per veicolo.
Per garantire efficienza computazionale e scalabilità, i ricercatori hanno adottato un processo di soluzione in due fasi. In primo luogo, un’euristica avida identifica una soluzione iniziale di alta qualità basata sul ranking dei valori delle azioni, dando priorità all’accettazione dei passeggeri quando i valori sono comparabili. Questa soluzione iniziale viene quindi perfezionata utilizzando un solutore di programmazione intera, consentendo al sistema di gestire ambienti urbani di grandi dimensioni con centinaia di veicoli e migliaia di nodi. L’intero processo viene ripetuto a ogni passo temporale, consentendo un’adattamento continuo alle condizioni di traffico e ai modelli di domanda in evoluzione.
L’addestramento della funzione di valore di stato si basa su un’architettura di apprendimento per rinforzo profondo potenziata da reti neurali doppie e ripetizione dell’esperienza, tecniche comunemente utilizzate nell’apprendimento Q profondo (DQN). Una rete di valutazione stima il valore corrente degli stati dei veicoli, mentre una rete di destinazione separata fornisce segnali di addestramento stabili calcolando i ritorni futuri in modalità bootstrap. Le tuple di esperienza—composte da stato, azione, ricompensa e stato successivo—vengono archiviate in un buffer di ripetizione e campionate in mini-batch per aggiornare la rete di valutazione, migliorando l’efficienza dei dati e riducendo la correlazione tra aggiornamenti consecutivi. Il compromesso tra esplorazione e sfruttamento è gestito attraverso una politica ε-greedy, in cui il sistema esplora inizialmente azioni casuali per raccogliere diverse esperienze prima di passare gradualmente a decisioni guidate dal valore man mano che il modello converge.
La validazione sperimentale è stata condotta utilizzando una rete stradale simulata estratta da Shenzhen, che copre un’area urbana di 6 km × 6 km con 2.876 strade e 1.712 incroci. La flotta di prova era composta da 40 veicoli elettrici autonomi, ciascuno dotato di una batteria da 200 kWh, in grado di ricaricare e scaricare a 150 kW. Le richieste di corsa sono state generate secondo un processo di Poisson calibrato con dati storici sulla domanda di taxi, con probabilità di origine concentrate verso il centro della città e destinazioni assegnate casualmente. La tolleranza di attesa dei passeggeri è stata modellata come una variabile casuale uniforme tra 10 e 30 minuti, riflettendo aspettative realistiche degli utenti.
Le tariffe commerciali elettriche variabili nel tempo a Shenzhen sono state incorporate nella simulazione, con distinti periodi di punta, semipunta e fuori punta. Durante le ore di punta (10:00–15:00 e 18:00–21:00), i prezzi dell’elettricità hanno raggiunto 1,38 yuan/kWh, mentre nelle ore fuori punta sono scesi a 0,28 yuan/kWh tra le 23:00 e le 07:00. Questa differenza di prezzo significativa crea forti incentivi economici per strategie intelligenti di ricarica e scarica, che il modello proposto sfrutta per minimizzare i costi energetici netti.
Le prestazioni sono state confrontate con tre approcci consolidati: First-Come-First-Served (FCFS), che assegna il veicolo disponibile più vicino a ogni richiesta; Optimal Benefit (OB), che massimizza il ricavo immediato a ogni passo temporale; e un modello standard Deep Q-Network (DQN) adattato per l’assegnazione di più veicoli. Tutti gli algoritmi sono stati testati su un periodo di operazione simulato di 100 giorni, con i risultati mediati su 10 set di test indipendenti per garantire robustezza statistica.
I risultati hanno rivelato vantaggi sostanziali per il modello proposto. Nella simulazione di 100 giorni, il nuovo modello ha ottenuto un aumento del 25% del profitto operativo totale rispetto al miglior metodo di riferimento. Questo guadagno deriva da una combinazione di tassi di servizio più elevati, minori spese energetiche e un migliore utilizzo della flotta. In particolare, il tasso di risposta ai passeggeri—la proporzione di richieste di corsa soddisfatte con successo—è aumentato di 4 punti percentuali, superando il 73% rispetto al 69% del DQN e al di sotto del 60% per FCFS e OB. Allo stesso tempo, il tempo di attesa medio dei passeggeri è diminuito del 20%, da oltre 20 minuti con FCFS a poco meno di 8 minuti, migliorando la soddisfazione degli utenti e la competitività nel mercato della mobilità.
La riduzione dei costi energetici è stata particolarmente notevole. Nonostante un consumo elettrico complessivo più elevato a causa di un maggiore movimento dei veicoli e volume di servizio, il costo energetico netto—la differenza tra le spese di ricarica e i ricavi dalla scarica—è stato ridotto del 50%. Questo risparmio drammatico è attribuito alla capacità del modello di anticipare le fluttuazioni dei prezzi e pianificare strategicamente la ricarica durante i periodi a basso costo, mentre vende l’energia immagazzinata di nuovo alla rete durante le finestre di prezzo elevato. In contrasto, il modello DQN, sebbene abbia tentato di incorporare il valore futuro, non è riuscito a cogliere pienamente i modelli temporali dei prezzi dell’elettricità e spesso è convergente verso ottimi locali, portando a una gestione energetica meno efficace.
Il successo del modello sottolinea anche l’importanza di una progettazione del sistema olistica nella mobilità autonoma. Piuttosto che trattare il routing, la ricarica e l’abbinamento dei passeggeri come problemi di ottimizzazione separati, il quadro integrato riconosce la loro interdipendenza. Ad esempio, inviare un veicolo in una zona di alta domanda distante può comportare costi immediati di viaggio, ma può generare ricompense a lungo termine più elevate se porta a molteplici corse consecutive. Allo stesso modo, ritardare una corsa per ricaricarsi prima in una stazione vicina può leggermente aumentare il tempo di attesa del passeggero, ma assicura che il veicolo rimanga operativo ed evita costose riassegnazioni di emergenza in seguito.
Inoltre, il modello dimostra come le flotte autonome possano fungere da risorse energetiche flessibili all’interno dell’infrastruttura delle città intelligenti. Aggregando la capacità di stoccaggio di dozzine o centinaia di veicoli, gli operatori della flotta possono partecipare a programmi di risposta alla domanda, fornire servizi di regolazione della frequenza e contribuire a bilanciare l’integrazione delle energie rinnovabili. Questo doppio ruolo—come fornitori di mobilità e asset che supportano la rete—migliora la sostenibilità economica dei servizi di mobilità autonoma mentre contribuisce a obiettivi di sostenibilità più ampi.
Un’altra forza chiave dell’approccio è la sua adattabilità a diversi contesti urbani e requisiti operativi. La funzione di valore basata su reti neurali può essere riaddestrata con modelli di domanda locali, reti stradali e tariffe elettriche, rendendola applicabile a città in tutto il mondo. Inoltre, il design modulare consente l’incorporazione di vincoli o obiettivi aggiuntivi, come modelli di degrado della batteria, congestione delle stazioni di ricarica o metriche di impatto ambientale, senza richiedere cambiamenti fondamentali all’algoritmo principale.
Nonostante i suoi successi, gli autori riconoscono diverse limitazioni e percorsi per lavori futuri. Il modello attuale assume condizioni idealizzate, inclusa la ricarica/scarica istantanea, nessuna coda alle stazioni di ricarica e una conoscenza perfetta delle distribuzioni della domanda futura. Nella reale implementazione, fattori come l’invecchiamento della batteria, i tassi di ricarica variabili e il comportamento incerto dei passeggeri dovrebbero essere affrontati. Inoltre, la transizione dalla simulazione ai test nel mondo reale presenta sfide relative all’accuratezza dei sensori, alla latenza delle comunicazioni e alla garanzia della sicurezza.
Tuttavia, lo studio rappresenta un passo significativo avanti nella gestione intelligente delle flotte autonome di veicoli elettrici. Il suo accento sul valore a lungo termine rispetto ai guadagni a breve termine si allinea con le realtà operative dei servizi di mobilità 24/7, in cui le decisioni prese oggi influenzano direttamente la redditività di domani. Mentre le città di tutto il mondo cercano di ridurre congestione, emissioni e costi di trasporto, soluzioni come questa offrono un percorso verso sistemi di mobilità urbana più efficienti, sostenibili ed economicamente sostenibili.
Le implicazioni si estendono oltre i servizi di ride-hailing. Gli stessi principi potrebbero essere applicati ad altre applicazioni di veicoli autonomi condivisi, come flotte di consegna, navette di microtrasporto o logistica dell’ultimo miglio. In ogni caso, la capacità di anticipare la domanda futura e ottimizzare sia il movimento che l’uso dell’energia può portare a miglioramenti sostanziali delle prestazioni. Inoltre, man mano che la tecnologia dei veicoli autonomi matura e i quadri normativi evolvono, l’integrazione delle capacità V2G potrebbe diventare una caratteristica standard, trasformando i veicoli elettrici in componenti integrali di reti energetiche distribuite.
Da una prospettiva politica, la ricerca sottolinea la necessità di una pianificazione coordinata tra i settori dei trasporti e dell’energia. I comuni che investono nella mobilità autonoma dovrebbero considerare le sinergie con lo sviluppo delle reti intelligenti, assicurando che l’infrastruttura di ricarica non sia solo sufficiente in quantità, ma anche posizionata strategicamente e in grado di gestire flussi di energia bidirezionali. Le strutture di incentivo, come prezzi dinamici o pedaggi per la congestione, possono ulteriormente guidare il comportamento della flotta verso risultati socialmente ottimali, come una ridotta congestione nel centro città o carichi elettrici di punta più bassi.
Per gli stakeholder industriali, lo studio fornisce un caso aziendale convincente per l’adozione di sistemi avanzati di assegnazione guidati dall’intelligenza artificiale. Sebbene l’investimento iniziale in infrastruttura dati ed esperienza nel machine learning possa essere significativo, i ritorni a lungo termine in termini di maggiori entrate, minori costi operativi e maggiore soddisfazione dei clienti possono superare di gran lunga queste spese. Le aziende che adottano tali tecnologie in anticipo potrebbero ottenere un vantaggio competitivo nel mercato in rapida evoluzione della mobilità come servizio.
In conclusione, il lavoro di Zeng Weiliang, Han Yu e Fu Hui presenta una soluzione completa e pratica a una delle sfide più urgenti nel trasporto autonomo: come bilanciare le esigenze di servizio immediate con l’efficienza operativa a lungo termine. Integrando le aspettative di entrate future nelle decisioni di assegnazione in tempo reale e sfruttando la funzionalità duale dei veicoli elettrici come trasportatori e portatori di energia, il modello stabilisce un nuovo standard per la gestione intelligente delle flotte. Man mano che i taxi elettrici autonomi passano da progetti pilota a un’implementazione diffusa, approcci come questo saranno essenziali per sbloccare il loro pieno potenziale economico e ambientale.
Zeng Weiliang, Han Yu, Fu Hui. Industrial Engineering Journal. doi: 10.3969/j.issn.1007-7375.230095