Cours 2 Simulation Multi Agent - TChouaki PDF

15/04/2024 Modélisation et simulation multi-agent pour la mobilité: théorie et cas d’usage. ESILV July 4th, 2023 Presented by Tarek CHOUAKI Chercheur, IRT SystemX [email protected] Sommaire 1. Introduction 2. Cadre théorique 3. Cas d’usage...

15/04/2024 Modélisation et simulation multi-agent pour la mobilité: théorie et cas d’usage. ESILV July 4th, 2023 Presented by Tarek CHOUAKI Chercheur, IRT SystemX [email protected] Sommaire 1. Introduction 2. Cadre théorique 3. Cas d’usage 3.1. Incitations monétaires pour la marche 3.2. Conception automatique d’offres de bus de rabattement 3.3. Inclusivité des algorithmes des services de mobilité à la demande 4. Conclusion et perspectives  01 Introduction 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 3 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 4  Introduction: La Mobilité LA MOBILITÉ EST LA MOBILITÉ DEVRAIT POUR Y ARRIVE, IL NOUS ÊTRE FAUT DES OUTILS QUI Multimodale Plus flexible Permettent un haut niveau de détail En rapide évolution Plus efficace Permettent d’expliquer les phénomènes Un terrain de défis Plus soutenable majeurs Prennent en compte les Plus centrée sur l’humain boucles de rétroaction Un système complexe Passent à l’échelle Un domaine de recherche 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 5  Introduction: Les systèmes multi-agent Dans les systèmes complexes où les décisions sont décentralisées: prédire les propriétés globales à partir des interactions locales n’est pas une tache aisée (émergence) Il est plus simple de modéliser et simuler les interactions locales et observer directement les propriétés globales résultantes -> Modélisation et simulation multi-agent Utilisée dans plusieurs domaines, particulièrement en lien avec des systèmes réels: Marché du travail Energie Logements et évolution des villes Mobilité Plusieurs outils de simulation multi-agent pour la mobilité sont présents dans la litérature A. M. Uhrmacher et D. Weyns, Multi-Agent Systems: Simulation and Applications. CRC Press, 2009. S. Abar, G. K. Theodoropoulos, P. Lemarinier, et G. M. P. O’Hare, « Agent Based Modelling and Simulation tools: A review of the state-of-art software », Computer Science Review, vol. 24, p. 13-33, mai 2017. 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 6  Introduction: Quelques outils de simulation multi-agent pour la mobilité Les outils existants diffèrent entre eux sur : Leur niveau de détail du modèle Leur capacité ou non à simuler tel ou tel mode de transport Leur capacité à prendre en compte les boucles de rétroaction Propriétaire ou open-source Les outils les plus utilisés en recherche sont: SUMO MATSim 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 7  02 Cadre théorique 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 8  Cadre théorique SCHÉMA GÉNÉRAL DES OUTILS DE SIMULATION MULTI -AGENT POUR LA MOBILITÉ 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 9  Cadre théorique LE CAS MATSIM - APERÇU Open-source, implémenté en JAVA Processus itératif de simulation Les trajets d’entrée des personnes sont simulés Les temps de congestion et d’attente sont mesurés Les trajets des personnes sont recalculés en fonction des métriques observés … Jusqu’à l’équilibre Permet d’évaluer l’impact sur les choix d’utilisateurs Permet de simuler plusieurs modes de mobilité: Véhicules privés Transport en commun Mobilité à la demande (Uber…) Modes actifs A. Horni, K. Nagel, et K. Axhausen, The Multi-Agent Transport Simulation MATSim. 2016. 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 10  Cadre théorique MATSIM: RÉSEAU ROUTIER ET SIMULATION DU TRAFIC Modélisation du réseau Graphe orienté: nœuds et arcs Chaque arc possède: Une capacité Une vitesse max Un ensemble de types de véhicules autorisés Simulation Chaque arc est traité comme une file d’attente Un véhicule peut passer sur le prochain arc de son itinéraire seulement si il est en tete de file et que l’arc en question n’est pas au max de sa capacité Le calcul d’itinéraire se fait sur la base des niveaux de congestion observés précédemment Quelques hypothèses Les pentes ne sont pas modélisées Les choix de conduite de véhicule ne sont pas modélisées 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 11  Cadre théorique MATSIM: SIMULATION DES AUTRES MODES Transports en commun (TC) Des données d’offre TC au format GTFS peuvent être importées facilement Si toutefois ces données sont disponibles pour le cas d’usage en question Un algorithme de calcul d’itinéraires pour les TCs est fourni dans l’outil Quelques hypothèses Les TCs ne sont pas sujets aux retards et à la congestion Les capacités des véhicules TC ne sont pas considérées Modes actifs (marche et vélo) Ne sont pas sujets à congestion Sont simplement téléportés en appliquant un délai en fonction de la distance D. Delling, T. Pajor, et R. F. Werneck, « Round-Based Public Transit Routing », Transportation Science, vol. 49, nᵒ 3, p. 591-604, août 2015. 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 12  Cadre théorique MODÈLES DE CHOIX DISCRETS POUR LES CHOIX DE MODE DE MOBILITÉ DES VOYAGEURS S. Hörl, M. Balać, et K. W. Axhausen, « Pairing discrete mode choice models and agent-based transport simulation with MATSim », in 2019 TRB Annual Meeting Online, Transportation Research Board, janv. 2019, p. 19. 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 13  Cadre théorique MODÈLES DE CHOIX DISCRETS POUR LES CHOIX DE MODE DE MOBILITÉ DES VOYAGEURS Pour être pertinent, un modèle de choix discret doit être construit et paramétré de manière à ce que: En simulations une demande de mobilité réaliste avec l’offre de mobilité de référence, on observe des comportements proches de la référence Le modèle soit assez générique pour prendre en compte des offres qui n’existent pas encore et que nous voudrions évaluer de manière prospective Pratiques utilisée pour la construction de modèles de choix Construire un modèle qui considèrent des caractéristiques génériques de la mobilité Temps d’attente, temps de trajets, couts monétaire… Calibrer les paramètres du modèle sur des enquêtes répertoriant les choix de mobilité effectués par un échantillon de la population 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 14  Cadre théorique POPULATION SYNTHÉTIQUE Pour être robuste, une simulation doit s’appuyer sur une demande de mobilité réaliste représentant x 12,000,000 les tendances réelles de mobilité Home until 8:00 Dans les modèles multi-agent, la demande est désagrégée Dans MATSim, La demande de mobilité est Work 9:00 – 18:00 exprimée par une liste d’activité à effectuer dans la journée pour chaque personne Comment construire une population synthétique Dinner 18:45 – 20:00 réaliste (cas Ile-de-France) ? En s’appuyant sur des données réelles: Recensements de population Home from 20:15 Enquêtes ménages-déplacements Bases de données des entreprises Crédit Schéma et video: Sebastian Horl … 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 15  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 16  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 17  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 18  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 19  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 20  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 21  Cadre théorique MÉTHODOLOGIE GLOBALE DE SIMULATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 22  03 Cas d’usage 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 23  Cas d’usage: Incitations monétaires pour la marche UNE ÉTUDE AUTOUR DE LA PRISE DE DÉCISION POUR UNE MOBILITÉ SOUTENABLE Estimer les gains potentiels qui résulteraient d’une augmentation de la pratique de la marche Aider les décideurs et autres parties prenantes de l’écosystème de mobilité à mettre en place des politiques d’incitation à la marche En étudiant l’impact qu’auraient des stratégies d’incitation monétaire à large échelle 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 24  Cas d’usage: Incitations monétaires pour la marche QUI MARCHE EN ILE-DE-FRANCE ? 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 25  Cas d’usage: Incitations monétaires pour la marche QUESTIONS DE RECHERCHE Les modèles de simulations sont-ils ont mesures d’évaluer des politiques d’incitations monétaires ? Quels impact auraient ses politiques sur la mobilité des personnes ? Quels politiques seraient les plus efficaces pour encourager une mobilité plus soutenable ? A quel cout ? 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 26  Cas d’usage: Incitations monétaires pour la marche QUESTIONS DE RECHERCHE Addressing behavior change can be done using “legal, economic, or coercive forms of influence.” (Kotler & Lee, 2008). Incitations économiques Incitations non-économiques Taxes, Prix Facteurs psychologiques Subventions Technologies persuasives 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 27  Cas d’usage: Incitations monétaires pour la marche POLITIQUES D’INCITATIONS: SCHÉMAS DE FINANCEMENTS A) Subventions financées par les autorités locales, régionales B) Le principe du “Pollueur Payeur” et/ou nationales 15/04/2024 28  Cas d’usage: Incitations monétaires pour la marche POLITIQUES D’INCITATIONS: TRAJETS CONCERNÉS 1. Inciter que les trajets 2. Inciter que les marches 3. Inciter toutes les où la marche est vers/depuis les TC, en fonction de marches. l’unique mode, en la distance marchée. fonction de la distance. 29 15/04/2024 29  Cas d’usage: Incitations monétaires pour la marche POLITIQUES D’INCITATIONS: SCÉNARIOS ÉTUDIÉS A) Schéma de financement B) Trajets concernés C) Montant d’incitation (€/km) Scénarios Trajets complétement marchés 0.1, 0.2, 0.5,1, 1.5, 2 Marche vers/depuis TC 0.1, 0.2, 0.5,1, 1.5, 2 1 Pollueur Payeur: Oui 18 Toutes marches 0.1, 0.2, 0.5,1, 1.5, 2 Trajets complétement marchés 0.1, 0.2, 0.5,1, 1.5, 2 Polleur Payeur: Non Marche vers/depuis TC 0.1, 0.2, 0.5,1, 1.5, 2 2 18 (Subventions) Toutes marches 0.1, 0.2, 0.5,1, 1.5, 2 30 15/04/2024 30  Cas d’usage: Incitations monétaires pour la marche MODÈLE DE SIMULATION Population synthétique francilienne échantillonnée à 1% Offre et demande de mobilité de référence Extension du modèle de choix pour considérer les politiques d’incitation 31 15/04/2024 31  Cas d’usage: Incitations monétaires pour la marche RÉSULTATS 32 15/04/2024 32  Cas d’usage: Incitations monétaires pour la marche RÉSULTATS Les politiques « Polleur Payeur » sont les plus efficaces pour réduire la part des véhicules privés dans la mobilité. 1-WPT-S = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur des subventions. 1-WPT-PP = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur le principe « Pollueur Payeur » subventions. 33 15/04/2024 33  Cas d’usage: Incitations monétaires pour la marche RÉSULTATS Les incitations encouragent fortement les personnes les plus sédentaires à marcher des distances raisonnable au cours de la journée 1-WPT-S = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur des subventions. 1-WPT-PP = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur le principe « Pollueur Payeur » subventions. 34 15/04/2024 34  Cas d’usage: Incitations monétaires pour la marche RÉSULTATS Les emissions relatives à la mobilité peuvent etre mesurée en détails Les politiques « Polleur Payeur » ont un impact plus significatif sur les emissions 1-WPT-S = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur des subventions. 1-WPT-PP = incitation à 1€/km pour toutes les marches sous un schéma de financement basé sur le principe « Pollueur Payeur » subventions. 35 15/04/2024 35  Cas d’usage: Incitations monétaires pour la marche CONCLUSION Ce travail est le premier à évaluer de manière quantitative les impacts de politiques d’incitations à large échelle Les outils de simulations multi-agent et les modèles de choix discrets offrent un terrain d’expérimentation intéressant pour ce type d’études Les incitations économiques requierent la prise en compte des effets rebond et des externalités Référence: Chouaki, T., Madrigal, L. M. R., & Hörl, S. (2024, January). Assessing the impact of monetary incentives for walking using agent-based mobility simulations and discrete mode choice models. In The 103rd Transportation Research Board (TRB) Annual Meeting. 36 15/04/2024 36  Cas d’usage: Conception automatique d’offres de bus de rabattement DÉVELOPPEMENT DES INFRASTRUCTURES FERROVIAIRES EN ILE-DE-FRANCE Le Grand-Paris Express comprend 5 ligne de métro et entend améliorer grandement la liaison entre les banlieues franciliennes D’autres lignes de tramways sont également en cours de réalisation Les données disponible sur ces futurs permette d’étudier leurs impact de manière prospective Par contre: les acteurs de la mobilité ne savent pas encore comment ces nouvelles lignes seront connectées aux restes des territoires qu’elle desservent 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 37  Cas d’usage: Conception automatique d’offres de bus de rabattement Question de recherche: Comment concevoir, et optimiser des offres de rabattement pour répondre à la mise en place nouvelles lignes ferroviaires ? L’usage de simulations détaillées est-il compatible avec une optimisation à l’échelle du système ? Défis: La combinatoire des décisions relatives à la mise en place d’une ligne de bus est trop importante pour une approche exhaustive Note méthode: Une approche à deux niveaux Estimer la demande pour les services de rabattements en utilisant de la simulation Optimiser le services pour la demande identifiée 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 38  Cas d’usage: Conception automatique d’offres de bus de rabattement Simulation abstraite des services de rabattement Ces services sont définis par: La gare concernée Le rayon, autour de la gare, d’effet du service La vitesse moyenne offerte par le service Ces services sont pris en compte en simulation et simulés en compétition avec les offres existantes Le modèle de choix est étendu pour considérer les nouveaux services Simulations: Zone d’étude: Communauté d’agglomération de Paris-Saclay En considérant les deux nouvelles lignes, M18 et T12 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 39  Cas d’usage: Conception automatique d’offres de bus de rabattement IMPACT DES OFFRES DE RABATTEMENT L’introduction des nouvelles offres ferroviaires, mêmes avec les offres de rabattement, ne permettent pas un report modal significatif depuis les véhicules privés vers les TC Les offres de rabattement peuvent attirer un grand nombre de voyageurs, particulièrement à partir d’un rayon de 1km Ces services permettent d’augmenter l’attractivité des modes ferroviaires auxquels ils sont reliés Cette demande peut être identifiée au niveau des stations individuelles 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 40  Cas d’usage: Conception automatique d’offres de bus de rabattement IMPACT DES OFFRES DE RABATTEMENT L’introduction des nouvelles offres ferroviaires, mêmes avec les offres de rabattement, ne permettent pas un report modal significatif depuis les véhicules privés vers les TC Les offres de rabattement peuvent attirer un grand nombre de voyageurs, particulièrement à partir d’un rayon de 1km Ces services permettent d’augmenter l’attractivité des modes ferroviaires auxquels ils sont reliés Cette demande peut être identifiée au niveau des stations individuelles 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 41  Cas d’usage: Conception automatique d’offres de bus de rabattement IMPACT DES OFFRES DE RABATTEMENT L’introduction des nouvelles offres ferroviaires, mêmes avec les offres de rabattement, ne permettent pas un report modal significatif depuis les véhicules privés vers les TC Les offres de rabattement peuvent attirer un grand nombre de voyageurs, particulièrement à partir d’un rayon de 1km Ces services permettent d’augmenter l’attractivité des modes ferroviaires auxquels ils sont reliés Cette demande peut être identifiée au niveau des stations individuelles 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 42  Cas d’usage: Conception automatique d’offres de bus de rabattement IMPACT DES OFFRES DE RABATTEMENT L’introduction des nouvelles offres ferroviaires, mêmes avec les offres de rabattement, ne permettent pas un report modal significatif depuis les véhicules privés vers les TC Les offres de rabattement peuvent attirer un grand nombre de voyageurs, particulièrement à partir d’un rayon de 1km Ces services permettent d’augmenter l’attractivité des modes ferroviaires auxquels ils sont reliés Cette demande peut être identifiée au niveau des stations individuelles 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 43  Cas d’usage: Conception automatique d’offres de bus de rabattement IMPACT DES OFFRES DE RABATTEMENT L’introduction des nouvelles offres ferroviaires, mêmes avec les offres de rabattement, ne permettent pas un report modal significatif depuis les véhicules privés vers les TC Les offres de rabattement peuvent attirer un grand nombre de voyageurs, particulièrement à partir d’un rayon de 1km Ces services permettent d’augmenter l’attractivité des modes ferroviaires auxquels ils sont reliés Cette demande peut être identifiée au niveau des stations individuelles 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 44  Cas d’usage: Conception automatique d’offres de bus de rabattement OPTIMISATION DES LIGNES DE BUS 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 45  Cas d’usage: Conception automatique d’offres de bus de rabattement EXEMPLES DE LIGNES OBTENUS APRÈS OPTIMISATION 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 46 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Research questions What features necessary to consider relevant user groups are missing in the simulation literature ? How MoD (Mobility-on-Demand) operational algorithms can be benchmarked on inclusivity-related aspects To which extent do existing CCAM fleet management algorithms discriminate against People with Mobility Challenges (PMC)? How to mitigate the potential problems ? 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 47 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Research questions What features necessary to consider various user groups identified are missing in the simulation literature ? How MoD operational algorithms can be benchmarked on inclusivity-related aspects To which extent do existing MoD fleet management algorithms discriminate against People with Mobility Challenges (PMC)? How to mitigate the potential problems ? 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 48 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Necessary components that were already implemented in the literature (MATSim) The ability to perform realistic simulations detailing vehicle movements and individually considering users Ability to vary the study area and CCAM service settings (fleet size, vehicle characteristics, operational scheme…) Missing components for representing inclusiveness Traveler heterogeneity: In existing, all interact with the service in the same way and with the same preferences. Anticipation: It is assumed that users send their trip requests immediately before departure (no prebooking) Grouped requests: User groups with more than one passenger per trip requests are not considered Framework extensions Stop simulation: It is now possible to define an interaction time (pickup and drop-off time) for each individual user separately. Thus better considering People with Mobility Challenges Prebooking: Users can now send trip requests in advance to the fleet operator Heterogeneous agents: User preferences and constraints can be defined individually instead of globally as before. Each user can have a personal maximum wait time, preference towards ride-pooling… 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 49 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Study area – Demand for MoD Sampling 10% from 162K trips in the city of Melun per day resulting from a realistic synthetic population. A demand for MoD trips is identified Following a best-adoption estimation Assuming a very effective service A total of 8.2K individual trips per day. Well distributed in the study area Transferrable to other study areas 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 50 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Study area – Demand for MoD Sampling 10% from 162K trips in the city of Melun per day resulting from a realistic synthetic population. A demand for MoD trips is identified Following a best-adoption estimation Assuming a very effective service A total of 8.2K individual trips per day. Well distributed in the study area Transferrable to other study areas 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 51 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Regular fleet sizing A common analysis performed with simulations of MoD services consists in fleet sizing: i.e. identifying the fleet size required to meet certain service quality Here the fleet size is varied in order to measure: The rejection rate The wait time The detour factor The vehicle distances 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 52 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Regular fleet sizing A common analysis performed with simulations of MoD services consists in fleet sizing: i.e. identifying the fleet size required to meet certain service quality Here the fleet size is varied in order to measure: The rejection rate The wait time The detour factor The vehicle distances 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 53 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Regular fleet sizing A common analysis performed with simulations of MoD services consists in fleet sizing: i.e. identifying the fleet size required to meet certain service quality Here the fleet size is varied in order to measure: The rejection rate The wait time The detour factor The vehicle distances 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 54 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Regular fleet sizing A common analysis performed with simulations of MoD services consists in fleet sizing: i.e. identifying the fleet size required to meet certain service quality Here the fleet size is varied in order to measure: The rejection rate The wait time The detour factor The vehicle distances 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 55 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Introducing People with Mobility Challenges Using the developed functionality, , we introduce variability in the users of the MoD service by considering PMC and non-PMC users: Non-PMC users: require 1 minute to get in and out of the CCAM vehicle. PMC users: require more time (2 or 4 minutes depending on the considered scenario, this quantity is labelled as PMC time). Assumption: The MoD service is aware of the type of traveler at the time when the requested is submitted. Following results with a 100 vehicles fleet. Up to 4 passengers per vehicle. 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 56 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Introducing People with Mobility Challenges: Impacts 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 57 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Introducing People with Mobility Challenges: Impacts 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 58 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Introducing People with Mobility Challenges: Impacts 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 59 Cas d’usage: Inclusivité des algorithmes des services de mobilité à la demande Mitigation strategies Introducing mitigation strategies, the algorithms were adapted to consider PMC users and increase inclusivity 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 60  Conclusions and perspectives AGENT-BASED SIMULATIONS FOR MOBILITY A transdisciplinary field at the intersection of many others Computer science, AI, Research Operation, Data science And also: Social sciences, economics… Being used more and more in industry and for public planning 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 61  Conclusions and perspectives REFERENCES A. M. Uhrmacher et D. Weyns, Multi-Agent Systems: Simulation and Applications. CRC Press, 2009. S. Abar, G. K. Theodoropoulos, P. Lemarinier, et G. M. P. O’Hare, « Agent Based Modelling and Simulation tools: A review of the state-of-art software », Computer Science Review, vol. 24, p. 13-33, mai 2017. A. Horni, K. Nagel, et K. Axhausen, The Multi-Agent Transport Simulation MATSim. 2016. D. Delling, T. Pajor, et R. F. Werneck, « Round-Based Public Transit Routing », Transportation Science, vol. 49, nᵒ 3, p. 591-604, août 2015. S. Hörl, M. Balać, et K. W. Axhausen, « Pairing discrete mode choice models and agent-based transport simulation with MATSim », in 2019 TRB Annual Meeting Online, Transportation Research Board, janv. 2019, p. 19. S. Hörl et M. Balac, « Synthetic population and travel demand for Paris and Île-de-France based on open and publicly available data », Transportation Research Part C: Emerging Technologies, vol. 130, p. 103291, sept. 2021. Tarek Chouaki, Sebastian Hörl, Jakob Puchinger. Towards Reproducible Simulations of the Grand Paris Express and On-Demand Feeder Services. 102nd Annual Meeting of the Transportation Research Board (TRB 2023), Jan 2023, Washington D.C, United States. ⟨hal-03788331⟩ S. Narayanan, E. Chaniotakis, & C. Antoniou «Shared autonomous vehicle services: A comprehensive review», Transportation Research Part C: Emerging Technologies 2020. J. Bischoff, M. Maciejewski, & K. Nagel «City-wide shared taxis: A simulation study in Berlin», ITSC 2017. J. Bürstlein, D. López, & B. Farooq «Exploring first-mile on-demand transit solutions for North American suburbia: A case study of Markham Canada» Transportation Research Part A: Policy and Practice 2021. S. Hörl, M. Balac, et K. W. Axhausen, « Dynamic demand estimation for an AMoD system in Paris », 2019 IEEE Intelligent Vehicles Symposium (IV) 2019. M. A. Johnson et M. H. Moradi, Éd., PID Control. London: Springer-Verlag, 2005. doi: 10.1007/1-84628-148-2. T. Chouaki, S. Hörl, et J. Puchinger «Control-based integration of rejection rates into endogenous demand ride-pooling simulations», 8th International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS 2023), June 2023. R. S. Sutton et A. G. Barto, Reinforcement Learning: An Introduction. Cambridge: The MIT Press, 1998. T. Chouaki, S. Hörl, et J. Puchinger, «Implementing reinforcement learning for on-demand vehicle rebalancing in MATSim», Procedia Computer Science, vol. 201, p. 134-141, 2022. F. Carreyre, T. Chouaki, N. Coulombel, J. Berrada, L. Bouillaut, S. Hörl «On-demand autonomous vehicles in berlin: A cost benefit analysis», 102nd Annual Meeting of the Transportation Research Board (TRB 2023) 15/04/2024 PhD defense: Agent-based simulations of intermodal Mobility-on-Demand systems operated by Reinforcement Learning 62 15/04/2024 Thank you for your attention 63 Please wait, ongoing deliberation Veuillez patienter, délibération en cours