Algorithme de jumelage multimodal pour le covoiturage

Le covoiturage multimodal urbain est une solution économique pour réduire les émissions de gaz à effet de serre dans les villes. Le but du projet présenté dans ce mémoire est de modéliser et d'implémenter un algorithme de jumelage multimodal permettant de mettre en relation conducteurs et passagers pour effectuer des trajets quotidiens en zone urbaine. Cet algorithme a pour vocation d'être rapide et d'offrir des jumelages de qualité, en termes de détour acceptable et de respect des horaires. Il a également pour ambition de coupler le covoiturage avec les transports en commun. Ce projet est en partenariat avec Netlift, startup Montréalaise, ainsi qu'avec un autre étudiant en maîtrise recherche au département de Génie Civil de l'École Polytechnique de Montréal, qui travaille principalement sur les données utilisées. Les objectifs de ce mémoire sont multiples. Le premier consiste à construire une structure de données permettant de modéliser la ville de Montréal et de calculer des temps de parcours. Ceci permettrait de comparer les différents trajets des utilisateurs. Aussi, cette structure de données doit permettre le calcul d'itinéraires multimodaux, auto et transports en commun combinés. Le second objectif est de modéliser et d'implémenter en JAVA un algorithme de jumelage passagers/conducteurs pour le covoiturage dit « classique » (auto uniquement) et pour le covoiturage multimodal. Une revue de littérature a permis de diriger les travaux à mener. Ce travail est présenté dans le premier chapitre. Après une brève synthèse des concepts relatifs au covoiturage, une classification des systèmes et algorithmes existants permet d'amener différentes conclusions quant à la structure de données à implémenter, sur laquelle s'appuie l'algorithme envisagé. Elle doit permettre d'accéder rapidement aux données nécessaires à l'obtention de jumelages pour un passager donné. La structure du reste du mémoire est influencée par la chronologie du projet : la définition du besoin et les objectifs à atteindre ont été définis au fur et à mesure avec Netlift et les différents collaborateurs. Le second chapitre du corps du mémoire concerne les premières avancées menées en parallèle de la définition du besoin, tandis que le troisième chapitre décrit l'algorithme et la structure de données retenus pour satisfaire les objectifs fixés. Le quatrième et dernier chapitre présente les conclusions et les perspectives de recherche. Dans le second chapitre, on essaye d'établir des indicateurs de potentiel de covoiturage au moyen d'un score et de différentes régressions linéaires. Ce sont ces recherches préalables qui ont conduit à l'élaboration d'une structure de données plus complexe, présenté dans le troisième chapitre, qui fait appel aux concepts de la théorie des graphes. L'algorithme développé dans cette partie fait notamment appel à des calculs de plus courts chemins. Il permet de trier une liste de conducteurs pour un passager donné en fonction de leur potentiel de covoiturage – notion qui sera expliquée en détail. Son évaluation est réalisée à l'aide de différentes métriques relatives aux données fournies par Netlift (jumelages trouvés par leur algorithme) et aux données de l'enquête Origine-Destination de Montréal pour l'année 2008. Les résultats sont satisfaisants pour le covoiturage classique (sans transports en commun) puisque l'algorithme implémenté réussit à fournir rapidement des covoitureurs de bonne qualité pour une grande partie des utilisateurs. Parmi les passagers des données de l'enquête Origine-Destination, plus d'un passager sur deux possède un conducteur qui peut covoiturer avec lui pour des détours de 10min maximum. Le potentiel du covoiturage multimodal pour la période de pointe du matin est évalué grâce à une étude des trajets de l'enquête OD de 2008. Les jumelages obtenus sont moins bons que pour le covoiturage classique, mais la méthode employée présente une marge d'amélioration et une perspective de recherche future. Ce projet permet à Netlift de gagner en pertinence et en rapidité par rapport aux jumelages proposés dans leur application actuelle.

Abstract

Urban multimodal ridesharing is an economical way to reduce greenhouse gases emissions in cities. The goal of the project presented in this thesis is to modelise and implement a multimodal matching algorithm able to match drivers and passengers for everyday short ridesharing. This algorithm aims to be fast and to offer precise matches regarding acceptable detour and schedule respect. It also tries to mix ridesharing with public transportation. This project is led in partnership with Netlift, a Montreal startup, an another master's student linked to the Civil Engineering department of Polytechnique Montreal, working especially on data. Multiple objectives are targeted in this thesis. The first one consists of making a data structure representing Montreal and enabling travelling time calculation. This could lead to compare user's paths. Multimodal paths need also to be calculated thanks to this data structure. The second objective is to modelise and implement in JAVA a matching algorithm between riders and drivers for « classic » ridesharing (only car) and multimodal ridesharing (car and public transportation). In the first part of this thesis, a litterature review has been conducted in order to guide the goals to achieve. After a short synthesis of ridesharing concepts, a classification of existing articles about ridesharing leads to conclusions related to the data structure to implement. A need of speed is necessary to propose matched drivers to a given passenger. The structure of this thesis is affected by the chronology of the project : the requirements definition and goals to achieve have been precised all along with Netlift and the other partners. The second chapter of the thesis deals with the initial steps conducted at the same time than the requirements definition. The third chapter describes then the data structure and algorithm selected to achieve goals. In the second chapter, ridesharing potential is represented by two differents indicators : a score and different linear regressions. These preliminary searches led to the development of a data structure more complex, presented in the third chapter. Graph theory is central in this chapter. The final algorithm particularly uses shortest path calculation. It sorts a list of drivers for a given rider according to their ridesharing potential. A dedicated section of the thesis details this notion. The algorithm is evaluated thanks to different metrics related to Netlift data (found matches by Netlift algorithm) and the Origin-Destination Survey of Montreal conducted in 2008. The results are satisfying for classic ridesharing (without public transportation) since the implemented algorithm succeeds to give good drivers for a big amount of passengers fastly. More than one out of two among riders from the OD Survey has a driver to share the ride with for detours less than 10 minuts. The multimodal ridesharing potential for the morning peak period is evaluated by a study of rides from the Montreal 2008 OD Survey. Obtained matches lack of quality compared to classic ridesharing, but the used method deserves improvements and a perspective of future research. This project enables Netlift to gain in relevance and computation speed against the matches proposed by the current algorithm.