Sono ovunque, da Berlino a Pechino, biciclette dai colori sgargianti che puoi prendere in prestito per muoverti per la città senza auto. Questi sistemi, insieme agli e-scooter, offrono alle persone un modo rapido e conveniente per spostarsi nelle aree urbane. E in un momento in cui le città si stanno affannando per trovare modi per raggiungere i loro obiettivi climatici, sono uno strumento gradito per gli urbanisti.

Assicurarsi che le biciclette e gli e-scooter siano a portata di mano può essere una sorta di sfida, ma è anche la chiave del successo dell'offerta, afferma Steffen Bakker, ricercatore presso il Dipartimento di gestione economica e tecnologica dell'industria della NTNU che studia i modi per rendere i trasporti più verde ed efficiente.

"Se un sistema come questo avrà successo, allora dobbiamo avere la soddisfazione degli utenti", ha affermato Bakker. "Le persone vogliono che le biciclette siano lì quando vogliono usarle e vorranno usare il sistema solo se è un buon servizio."

Bakker è stato coautore di un recente articolo che descrive un modello di ottimizzazione per aiutare le città e le aziende a fare un lavoro migliore mantenendo felici i propri clienti di bike sharing.

Come sparare a un bersaglio in movimento

Considera le sfide legate alla fornitura di biciclette o scooter dove e quando le persone li vorranno.

I ricercatori descrivono il problema come dinamico, perché è sempre mutevole, e stocastico, perché cambia in modi casuali e spesso difficili da prevedere, ha detto Bakker.

"Gli utenti del sistema di bike sharing raccolgono le biciclette in un posto e le spostano da un'altra parte. E poi lo stato del sistema cambia perché all'improvviso le biciclette non sono dove sono partite, che è la parte dinamica", ha detto disse. "Ma oltre a questo, non sai quando i clienti ritireranno le bici e dove le metteranno. Questa è la parte stocastica. Quindi se vuoi pianificare all'inizio della giornata, non lo fai sapere cosa accadrà."

Bakker e i suoi colleghi possono utilizzare l'enorme tesoro di dati raccolti da biciclette e scooter elettrici quando sono in uso per fare previsioni. Ma non vi è alcuna garanzia che il modo in cui sono state utilizzate le biciclette martedì scorso, ad esempio, sarà lo stesso il martedì successivo, ha affermato.

"Devi adattarti alle cose che accadono durante il giorno", ha detto. "Forse all'improvviso si verifica un evento o il tempo cambia, quindi le persone non utilizzano il servizio e il modello di domanda cambia, il che influisce sulla pianificazione."

Mettere insieme i pezzi

Quello che Bakker e i suoi colleghi hanno sviluppato è un modello di ottimizzazione in grado di fornire consigli su ciò che gli operatori del servizio dovrebbero fare.

Ciò include ciò che i veicoli di servizio dovrebbero fare alla stazione in cui si trovano attualmente, sia che debbano lasciare o ritirare biciclette, o sostituire le batterie con biciclette elettriche e scooter, e dove andare dopo. I calcoli sottostanti si basano su ciò che è accaduto finora durante la giornata e su ciò che dovrebbe accadere nel prossimo futuro.

La ricerca del gruppo è finanziata nell'ambito di un progetto da 10 milioni di NOK finanziato dal Consiglio di ricerca norvegese chiamato Future of Micro mobility (FOMO), con la società Urban Sharing AS come azienda capofila della sovvenzione.

"Attraverso Pilot-T, prevediamo di utilizzare i sistemi di biciclette da città esistenti come basi di prova e, sviluppando nuovi strumenti di supporto alle decisioni, l'obiettivo è aumentare l'efficienza dei team di ribilanciamento del 30% e la durata delle biciclette del 20%, " ha affermato Jasmina Vele, project manager di Urban Sharing. "Ciò può essere realizzato attraverso decisioni migliori relative al riequilibrio e alla manutenzione preventiva, e ciò corrisponderà a una grande riduzione dei costi nei sistemi di biciclette urbane esistenti."

Spostare le biciclette nel modo più efficiente

Il processo di raccolta e spostamento delle biciclette da un parcheggio per biciclette all'altro è chiamato "ribilanciamento". L'utilizzo del modello di ottimizzazione, ancora in fase di sviluppo, consente di inviare ai conducenti un nuovo piano ogni volta che arrivano a una stazione di biciclette.

"Non si fa un solo piano all'inizio della giornata, ma quello che facciamo è creare un nuovo piano ogni volta che un veicolo arriva a una stazione di biciclette", ha detto. "E quando l'auto arriva alla stazione, diremo loro:'Va bene, prendi così tante biciclette o lascia tante biciclette'".

Ma è qui che entra in gioco la parte difficile. È importante non essere troppo miopi concentrandosi solo sullo stato attuale del sistema, dice Bakker, soprattutto se si prevede che alcune stazioni avranno una domanda maggiore entro la prossima ora.

"È molto complesso, perché è un grande sistema", ha detto. "Forse ci sarà molta richiesta alla stazione tra un'ora. Quindi vuoi già portare delle biciclette lì. Ma allo stesso tempo, potrebbero esserci delle stazioni ora che sono quasi vuote e hanno bisogno di alcune biciclette. Quindi devi capire questo compromesso."

È anche importante coordinare i prelievi e le riconsegna tra i diversi veicoli che servono la rete di bike sharing, ha affermato.

Gemelli digitali e tempo di calcolo

Bakker e i suoi colleghi stanno lavorando con il Dipartimento di Informatica della NTNU per creare un "gemello digitale", o una simulazione al computer, dei sistemi che stanno modellando, in modo che possano provare diversi approcci senza doverli effettivamente testare nel mondo reale.

I test iniziali hanno mostrato che il modello generato dal gruppo può ridurre il numero di problemi (ovvero non abbastanza biciclette dove l'utente ne desidera una, o troppe biciclette in modo che l'utente non possa parcheggiare la bicicletta) del 41% rispetto a non eseguire alcun ribilanciamento affatto.

Rispetto alle attuali pratiche di riequilibrio di Oslo City Bikes, che è anche un collaboratore della sovvenzione NFR, il numero di problemi è stato ridotto del 24%. Bakker afferma che le versioni più recenti del modello mostrano ancora più potenziale.

Sono possibili anche approcci più semplici

Non sorprende che i tipi di calcoli necessari per far funzionare il modello siano complessi e che i ricercatori debbano mettere a punto i diversi parametri che influiscono sulle prestazioni del modello.

Bakker e i suoi colleghi hanno anche lavorato su un componente del modello di ottimizzazione chiamato punteggi di criticità, che è un po' più semplice e può essere utilizzato indipendentemente dal modello di ottimizzazione più ampio.

Un punteggio di criticità è fondamentalmente un punteggio assegnato a diverse aree di parcheggio per il bike sharing in base al numero di biciclette attualmente contenute o necessarie. Questi punteggi sono relativamente semplici da calcolare e possono essere forniti ai conducenti mentre viaggiano per la città per riequilibrare il numero di biciclette in ciascuna stazione.

"È un punteggio che dice all'autista quale stazione è più importante visitare", ha detto Bakker. "Se puoi presentarlo alla persona che guida l'auto e dire che queste sono le stazioni con il punteggio di criticità più alto, possiamo fornire qualcosa che non è il migliore, ma probabilmente è buono e molto meglio di quello che fanno ora le società di bike sharing ."

Vele di Urban Sharing afferma che l'utilizzo di questo tipo di modelli di ottimizzazione può contribuire a rendere il bike sharing una componente importante nel trasporto urbano.

"La visione di Urban Sharing per la mobilità futura è un sistema di trasporto reattivo e adattivo. Utilizzando dati e algoritmi di machine learning/ottimizzazione, possiamo combinare il meglio dei sistemi di trasporto tradizionali e moderni e creare un sistema efficiente sotto il profilo delle risorse che risponde a domanda e si adatta alle esigenze individuali degli utenti", ha affermato.

La ricerca è stata pubblicata sull'European Journal of Operational Research . + Esplora ulteriormente

Lyft sospende le biciclette elettriche dopo che la batteria si è scaricata