MARC

 008250123s2024        us                              c    eng  d
■001000017161082
■00520250211151254
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798381977080
■035    ▼a(MiAaPQ)AAI30991031
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aAbkarian,  Hoseb.▼0(orcid)0000-0003-2681-3002
■24510▼aShared-Use  Autonomous  Mobility  Systems:  Planning,  Pricing  and  Mixed-Service  Operation
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a182  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Mahmassani,  Hani.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aAutonomous  vehicle  (AV)  technology  will  bring  about  significant  changes  to  both  transportation  systems  and  human  behavior.  One  transportation  service  that  may  significantly  benefit  from  AVs  is  ridesharing,  since  relying  on  human  drivers  can  be  both  expensive  and  difficult  to  manage.  Hence,  in  the  near  future,  it  is  likely  that  Transportation  Network  Companies  (TNCs)  will  own  and  operate  AVs  in  a  shared-use  autonomous  mobility  system  (SAMS).As  a  result,  several  ridesharing  business  models  may  appear.  For  example,  unlike  current  carsharing  models  like  Zipcar,  users  will  not  need  to  walk  to  reach  the  autonomous  vehicle  nor  worry  about  finding  parking  spots.  Consequently,  AVs  have  the  potential  to  greatly  enhance  the  viability  of  this  business  model.  Additionally,  as  AV  technology  becomes  prevalent,  users'  preferences  might  shift  towards  specific  service  attributes.  For  instance,  they  might  increasingly  opt  for  reserving  hourly-based  services  in  advance.  Users  could  also  become  less  concerned  about  deviations  to  pick  up  other  riders  or  packages  during  the  trip,  as  they  may  be  more  productive  in  AVs  (working,  reading,  etc.).From  an  operational  perspective,  operators  of  AV  fleets  will  have  comprehensive  information  about  and  control  over  their  vehicles.  This  paves  the  way  for  efficient  fleet  management  strategies  that  need  to  be  studied  for  new  business  models.  Furthermore,  AV  fleet  operators  will  likely  maintain  a  constant  fleet  size,  escaping  the  restriction  of  human  drivers  who  are  limited  by  their  working  hours,  and  hence,  AVs  could  be  utilized  for  a  significant  portion  of  the  day.Considering  the  above,  and  given  the  diverse  spatial  and  temporal  demand  patterns  for  various  services,  it  will  be  beneficial  for  operators  to  make  AVs  versatile,  allowing  them  to  serve  different  purposes  to  maximize  utilization,  profitability  and/or  societal  benefits.Therefore,  this  thesis  tackles  extending  the  body  of  knowledge  on  SAMS  by  studying  new  business  models  that  could  emerge  in  the  near-to-medium  future.  Specifically,  this  thesis  focuses  on  the  concept  of  mixed-service  operation,  whereby  vehicle  fleets  are  pooled  to  conduct  different  purpose  trips,  rather  than  having  separate  fleets.  This  thesis  also  tackles  another  important  aspect  that  is  important  for  these  TNCs,  which  is  the  ability  to  price  rides  in  real  time.  Given  that  customer  behavior  can  change  either  quickly  (e.g.  pandemic)  or  slowly  (e.g.  introduction  of  another  service),  pricing  algorithms  should  be  able  to  adapt  their  algorithms  to  quickly  optimize  the  system  goal.  This  will  lead  to  TNCs  requiring  novel  pricing  techniques.Chapter  3  studies  a  mixed-service  operation  of  SAMS  where  customers  can  request  rides  either  immediately  or  through  reservations  and  use  the  AV  for  a  point-to-point  service  or  a  time-slot-based  rental  service,  respectively.  Three  autonomous-vehicle-to-user  assignment  strategies  are  presented,  a  first-come-first-serve  strategy  and  two  optimization-based  (bipartite  matching)  strategies.  The  mathematical  formulations  attempt  to  achieve  a  good  tradeoff  between  the  wait  times  of  reservation-based  users  and  on-demand  users,  while  minimizing  overall  empty  fleet  miles.  A  case  study  in  Chicago  is  presented  using  taxi  data,  and  the  combined  mixed-service  fleet  operation  is  compared  to  a  case  with  two  separate  operations:  one  for  an  on-demand  point-to-point  service  and  one  for  a  reservation-based  time-slot  rental  service.  Results  show  that  a  combined  mixed-service  operation  can  provide  a  more  balanced  service  than  the  case  with  two  separate  operations  with  respect  to  the  key  performance  measures  of  wait  time  and  empty  fleet  miles.Chapter  4  takes  a  holistic  approach  to  modeling  SAMS,  while  specifically  focusing  on  novel  pricing  techniques  using  reinforcement  learning  (RL).  Most  of  the  literature  lacks  in  building  realistic  simulators  of  SAMS,  and  so,  this  chapter  focuses  on  including  most  important  aspects  of  ridesharing  to  produce  reliable  results,  including  vehicle  assignment,  customer  choice  process,  wait  time  modeling,  and  pricing,  with  pricing  being  the  main  focus  of  this  chapter.
■590    ▼aSchool  code:  0163.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aAutonomous  vehicle
■653    ▼aTransportation  systems
■653    ▼aTransportation  Network  Companies
■653    ▼aService  operation
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■71020▼aNorthwestern  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161082▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books