Data-Driven Methods for Inventory Management in Dock-Based Bike-Sharing Systems

Les systèmes de partage de vélos (BSS) offrent un moyen de transport écologique, atténuant la circulation et réduisant les émissions de gaz à effet de serre. De plus, ils favorisent un mode de vie plus sain pour leurs navetteurs. En raison de leurs nombreux avantages, les systèmes de partage de vélos ont connu une popularité croissante au fil des années. Néanmoins, satisfaire la demande de location et de retour peut s’avérer une tâche difficile car les stations ont une tendance naturelle à se déséquilibrer pendant la journée. Pour atténuer ce problème, les opérateurs BSS redistribuent les vélos entre les stations. Cependant, leur stratégie de rééquilibrage est souvent réactive, redistribuant les vélos une fois que les stations ont atteint le statut vide ou plein. Ce retard dans la résolution des déséquilibres des stations peut entraîner une perte de demande et une diminution de la satisfaction des clients. Pour cette raison, cette thèse propose trois nouveaux modèles basés sur les données qui contribuent à un rééquilibrage proactif dans le BSS. Notre première contribution approfondit une stratégie tactique de rééquilibrage des opérations en suggérant des recommandations de rééquilibrage basées sur les données et triées en fonction de leur niveau d’urgence. À cette fin, nous proposons un modèle qui calcule automatiquement les intervalles d’inventaire et les valeurs d’inventaire cibles pour toutes les stations des systèmes. Basé sur ces mécanismes, notre modèle est capable d’identifier les gares avec un inventaire déséquilibré et d’établir l’inventaire optimal pour maximiser la proportion de trajets satisfaits dans les heures à venir. De plus, nous proposons quatre stratégies de priorisation qui trient les stations déséquilibrées en fonction de leur besoin d’intervention en fonction de différents critères. Après évaluation à l’aide de données de voyage réelles sur deux années contrastées, 2019 et 2020, l’une des stratégies a montré une réduction spectaculaire de la demande perdue jusqu’à 65%, et une autre a conduit à une diminution de 33% des opérations de rééquilibrage par rapport à la stratégie de rééquilibrage utilisée par un BSS du monde réel.

Abstract

Bike-sharing systems (BSS) provide an eco-friendly form of transportation, alleviating traffic and reducing greenhouse gas emissions. Furthermore, they promote a healthier lifestyle for their commuters. Due to their numerous advantages, bike-sharing systems have presented an increasing popularity over the years. Nevertheless, satisfying the rentals and returns demand can be a challenging task as the stations have a natural tendency to become unbalanced during the day. To mitigate this issue, BSS operators redistribute bikes among the stations. However, their rebalancing strategy is often reactive, redistributing bikes after the stations reach the empty or full status. This delay in addressing station imbalances can lead to lost demand and decreased customer satisfaction. For this reason, this thesis proposes three novel data-driven models that contribute to proactive rebalancing in BSS. Our first contribution delves into a tactical strategy for rebalancing operations by suggesting data-driven rebalancing recommendations that are sorted according to their level of urgency. To this end, we propose a model that automatically computes inventory intervals and target inventory values for all stations in the systems. Based on these mechanisms, our model is able to identify the stations with unbalanced inventory and establish the optimal inventory to maximize the proportion of satisfied trips in the upcoming hours. In addition, we propose four prioritization strategies that sort the unbalanced stations according to their need for intervention based on different criteria. Upon evaluation using real-world trip data from two contrasting years, 2019 and 2020, one of the strategies showcased a dramatic reduction in lost demand by up to 65%, and another led to a 33% decrease in rebalancing operations in comparison with the rebalancing strategy used by a real-world BSS.