<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Yuso on Medium]]></title>
        <description><![CDATA[Stories by Yuso on Medium]]></description>
        <link>https://medium.com/@yusotech?source=rss-a002bc8535df------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*S-B3w-PJ9kdTPhZGKZ0A3g.png</url>
            <title>Stories by Yuso on Medium</title>
            <link>https://medium.com/@yusotech?source=rss-a002bc8535df------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 19:42:05 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@yusotech/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[The puzzle of dispatch, part 2 : Ride-pooling]]></title>
            <link>https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-2-ride-pooling-1136cc051ea1?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/1136cc051ea1</guid>
            <category><![CDATA[ridesharing]]></category>
            <category><![CDATA[optimization-algorithms]]></category>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[dispatching]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Wed, 05 Sep 2018 12:23:56 GMT</pubDate>
            <atom:updated>2018-09-05T12:23:56.053Z</atom:updated>
            <content:encoded><![CDATA[<p>After analyzing in<a href="https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-1-advance-booking-455893821fa"> a first article</a> the best way to dispatch in advance bookings, we are now going to study the case of ride pooling between several passengers. As a matter of a fact, ride sharing is becoming an increasingly important issue in transport and logistics industries.</p><p>From a fleets’ point of view, ride sharing allows to optimize resources and to make their business more profitable. Creating an optimized route and simultaneously transporting several packages or several passengers in the same vehicle (like it’s done for example by Via, or UberPOOL) enables to minimize the time spent empty and the driver’s working time, in a sector that is highly sensitive to operating margins.</p><p>From clients’ point of view, the use of a shared transport service between several passengers (or between several packages in the case of delivery) makes it possible to obtain more attractive prices, in exchange for a slightly downgraded experience (longer waiting time, detours during the ride, etc). For instance, the fares proposed by UberPOOL are 25% to 30% cheaper than the price for an identical ride using UberX.</p><p>Finally, from cities’ point of view, ride sharing helps relieving traffic congestion, and reshape current individual means of transport (taxis or personal cars) as a new form of shared transport. As mentioned in our previous article, an MIT study based on New York taxis reservation data shows that is it possible to share up to 97% of the requests of rides, without significantly impacting the passengers’ rides ( the time added to the journey remains less than 3 minutes).</p><p>The taxi is getting closer and closer to become a bus. For example, in medium-sized or rural towns, there is an increasing demand for school based transport or the transport of PRMs (People with Reduced Mobility). Another example would be path pooling, it could be used to transform public transport into a smart and digitized model, which would be not based on rigid lines at fixed timing but rather on dynamic routes, that adapt according to demand.</p><p>If we now consider the subject of sharing a journey from the point of view of dispatch, it raises three major issues, between which we must find a balance : a technological issue, an operational issue, and finally an issue in terms of user experience.</p><h4>Pooling rides from a technological point of view</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*knSD36XwuRrqbu3zgB965w.jpeg" /></figure><p><em>“This is the story of a travelling salesman”</em></p><p>The technological challenge associated with pooling is actually close to a well-known problem in computer science and optimization, known as the “travelling salesman problem” (TSP).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/974/1*HfZC8Xw5lf-BZ7Vo1QDcxA.jpeg" /></figure><p>This problem has a very simple statement: a travelling salesman must go successfully to several cities while minimizing the total distance he travels. The distance between each of the cities is known, so it is necessary to determine in what order the salesman should visit the cities.</p><p>If the problem statement seems easy, it is actually more complex to solve, because it requires to test all the possible combinations: if the traveler has to go to 10 cities, it is 10! different paths to calculate, i.e. 3,628,800 combinations. If he has to go to 20 cities, then you would have to calculate 20! possible paths, which represents more than 2 billion billion solutions! Even with a million calculations per second, it would take more than 77,000 years to test everything.</p><p>The issue here is not so much to solve the problem, which remains algorithmically relatively simple, but to solve it in a very limited time. In fact, a fleet operator should be able to provide in only a few seconds an answer to a customer, who would like to for example to book a ride that starts immediately.</p><p><em>The case of an immediate departure</em></p><p>When a ride with an immediate departure must be pooled with other rides already planned, we must take into consideration as vehicles able to pick up a client all the vehicles circulating, even if another passenger is already on board. In this case, the objective is not to minimize approach time, but to find the most optimal route. For example, a vehicle could realize an intermediate stop before picking up the new passenger.</p><p>In terms of calculations, we are here faced with problems very similar to those of advance reservation, with a large number of possibilities in the choice of the vehicle. The only possible filter at the vehicle level is based on the time windows for the pick-up or the drop-off of the passenger, which will limit the possibilities of sequencing the rides.</p><p><em>The case of an advance booking</em></p><p>When it comes to advance booking, the problem is even more complex to solve: the response speed to customer is not as important in this case, but the number of calculations is very important to establish the schedules of the drivers, because it is essential to calculate all intermediary travel times between stops. The diagram below allows to better visualize the arrangement of different rides.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RA7PzII1srF9HV2mTO3jWA.jpeg" /></figure><p>Let’s try to determine the number of calculations needed with this new configuration. Consider, for example, a case where there are 10 available vehicles, and they receive 100 requests for bookings, to be divided among these 10 vehicles. We will try to calculate the number of intermediate travel times. For this, we must consider :</p><ul><li>200 intermediate stops (one point to pick up and one point to drop off each of the 100 journeys)</li><li>10 starting points of vehicles (1 stop per vehicle)</li><li>10 points of arrivals of vehicles (1 stop per vehicle)</li></ul><p>That is in total 220 points, from which it is necessary to calculate the routes to the other 219 points. Therefore, there are 220 * 219 = 48 180 travel times to calculate.</p><p>If x is the number of vehicles and y is the number of journeys, the number of intermediate travel durations N is obtained with the following formula :</p><p>N = (2x + 2y) *(2x +2y-1)</p><p>In this case, the number of computations is quadratic to the entry n. In computer science, it’s called a complexity in O(n²). Calculating travel times in a limited time remains possible.</p><p>However, our work does not stop there: once these journey times are calculated, it is still necessary to determine which is is the best schedule arrangement. And this is where the problem shows up, because the number of possibilities of planning is factorial to n. It’s called in this case a complexity in O(n!). If we take again the example aforementioned, then we would have (200+10+10)! = 220! possible arrangements, which is more than the number of atoms in the universe! It is therefore impossible to calculate in this way the most optimal schedule, whereas 100 requests divided over 10 vehicles actually corresponds to a low volume of passengers.</p><p><em>Using a local map</em></p><p>In order to calculate these intermediate travel times, most dispatch solutions are based on data provided by Google via its Google Maps API. However, the number of requests per second is limited, and the service becomes paying beyond a certain number of requests. This issue limits the number of possible calculations and can ultimately cost a lot, especially since Google has just sharply increased its prices.</p><p>To not be dependent on a third-party service and to be able to make an unlimited number of requests, it may be wise to develop one’s own mapping solution. In this scenario, it must be possible to guarantee a very short response time, especially in the case of a reservation with an immediate departure. This is the choice we have made at Yuso. We have developed our own local map that allows intensive calculations, or in other words, compute a very large number of travel times in a few seconds.</p><p>An example of a local map is available down below. In this map, the roads are all prioritized according to the volume of vehicles passing through. Thus, the structuring axes are in red, the second level axes are in orange, etc. In this map of Paris, provided by OpenStreetMap, the ring road is in red because it is an axis that allows you to go around Paris very quickly.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*Dp8rLMtyTvfN0f5e" /></figure><p>As mentioned in the article “<a href="http://algo2.iti.kit.edu/schultes/hwy/hhJournalSubmit.pdf">Engineering highway hierarchies</a>”, in order to travel as quickly as possible, the objective is to reach a major axis as soon as possible, and then go down the hierarchy of axes when approaching the arrival point. Through this way of building a route, which is actually quite intuitive for a driver, can drastically reduce the number of calculations necessary to establish the number of travel durations.</p><p>From a mathematical point of view, this map is actually a graph that models Paris, through edges (streets) and nodes (street corners). A travel time is assigned to each edge, similarly to the travelling salesman problem. This simplifies the mapping of a city and thus simplifies the calculations of travel times.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Hm03SU2TTG4zXmxvXMpYoA.png" /></figure><p>The use of this kind of graph with hierarchy of axes makes it possible to reduce the computation time up to 75% compared to a graph without hierarchy, and to also improve the precision of the results, because its mesh is denser. The only drawback of this solution is that it requires to create a similar build for every city where a company wants to deploy a fleet, which can be a very time-consuming process depending on its scope and the number of axes to prioritize.</p><p>If then we plan on to optimize the schedules for drivers, we must test all possible combinations between the different travels, and in the case of shared rides, this issue increases substantially the number of calculations. To minimize the number of calculations, it is necessary to pre-filter the vehicles (vehicles located too far away, or ones who have already many passengers on board, etc).</p><h4>Pooling rides in operational terms</h4><p>The fact of wanting to mutualize several rides may seem like an attractive idea at first sight, when we look at it from an operational point of view, because we will be able to make more trips with fewer vehicles. In reality, this type of service rigidified and controlled in order to be really effective and interesting from an operational point of view.</p><p>As a matter of a fact, a transport service offering ride pooling between several passengers cannot work if we do not put some constraints (in terms of availability, authorized routes or zones), because then the probability of pooling rides can strongly decrease. For example, a journey in the off-hours from London to far southwest suburbs will be unlikely to be shared with a similar journey, while a trip to Paddington during rush hours in the morning will be more likely to be shared with similar requests for a booking.</p><p>Here are some examples of constraints that can be used to maximize the probability of pooling multiple trips:</p><ul><li>Define as points of pick-up or drop off some strategically located virtual stops, to which the passenger will have to go to (rather than being picked up or dropped off at the exact address he requested). This is what was put in place by Via in New York or Washington or by Bridj in Sydney for example.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*c1YubNuq3HnIpwL4" /></figure><ul><li>Define hourly constraints regarding the availability of the service (for example, only available during the rush hour in the morning and evening, to serve commuters).</li><li>Authorize some areas or pick up corridors as “hot areas” that have a lot of demand ( this model is used by Chariot in San Francisco)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*0fzlGwpHRveRNchi" /></figure><ul><li>Make the client wait for a few minutes before offering a ride, to maximize the chances of finding a similar route in a way that the ride can be pooled.</li></ul><p>On the other hand, if the scheduling or the operational constraints laid out are too restrictive (service is only available during a reduced time period, or in a limited geographical area), the service will not work either because the probability that a trip will meet exactly the criterias requested is very low.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*ZCBRt-ABFyzFnFzd" /></figure><p>The difficulty here is to find the right balance between the constraints; they must ensure profitability to the service and a minimum occupancy rate, but they do not have to frustrate the client and decrease the quality of their user experience when using the service.</p><h4>Last, but not least: the user experience</h4><p>Even if a customer who uses a shared mode of transport rather than an individual mode of transport expecting to have a less “optimal” trip, it should not be a disappointing experience. It seems unwise, for example, to share a ride between passengers who have really distant arrival addresses, or to multiply their travel time by three, even if they pay a reduced price compared to a non-shared mode of transport.</p><p>The case of UberPOOL service is very interesting regarding this issue: Uber initially chose to offer door-to-door service, and picked up customers from the addresses they requested. This model, which seems to be the most satisfying for the customer, is actually not the most optimal. Picking up or dropping off other customers at specific addresses forces the vehicle to make detours in narrow streets (and in Paris, there are <em>a lot</em> of one way streets) which leads to wasting a lot of time. Following the claims of its users, Uber has decided to change their model and offer another one called “<a href="https://www.theverge.com/2018/2/21/17020484/uber-express-pool-launch-cities">UberPOOL Express</a>”, tested in the United States. It requires its customers to walk to meeting points ideally located on major roads to minimize the loss of time associated with picking up or dropping off customers.</p><p>Hence, this implies that the customer must walk for a few minutes to get to a point of pick-up, but the overall benefit is important : the other passengers save time individually on their journey, and the driver can be available for more rides and have a better hourly wage.</p><p>This is also the conclusion made by Via in New York, which requires its users to go to the points of pick-up that are located at street corners. They also must wait for a few minutes before getting a proposal of a journey, and confirm the reservation within 30 seconds, because the place is pre-booked in the vehicle.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*3Qx_rsouf5QD2k55" /></figure><p>Just as when a shared mobility service places operational constraints, the challenge here is to balance the effort required by the user and the overall quality of the service provided. It is the balance between the attractive prices and optimal operational constraints that increases the efficiency and comfort of the passenger. This will be the challenge for all the services of bus on demand, whether they are private or public, in the following years.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1136cc051ea1" width="1" height="1" alt=""><hr><p><a href="https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-2-ride-pooling-1136cc051ea1">The puzzle of dispatch, part 2 : Ride-pooling</a> was originally published in <a href="https://medium.com/yuso-articles">Yuso blog articles (in English)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Le casse-tête du dispatch, partie 2 : la mutualisation]]></title>
            <link>https://medium.com/articles-yuso/le-casse-t%C3%AAte-du-dispatch-partie-2-la-mutualisation-45b2d028a63?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/45b2d028a63</guid>
            <category><![CDATA[dispatching]]></category>
            <category><![CDATA[ridesharing]]></category>
            <category><![CDATA[on-demand]]></category>
            <category><![CDATA[optimization-algorithms]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Mon, 27 Aug 2018 13:21:28 GMT</pubDate>
            <atom:updated>2018-08-31T10:04:39.049Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KR8iGkB0dfLoeHz9kq5t4g.jpeg" /></figure><p>Après avoir analysé dans un <a href="https://medium.com/articles-yuso/le-casse-t%C3%AAte-du-dispatch-partie-1-les-r%C3%A9servations-%C3%A0-lavance-6611d7d55e00">premier article</a> la meilleure façon de traiter les réservations à l’avance en termes de dispatch, nous allons à présent étudier la question de la mutualisation de trajet entre plusieurs passagers. La mutualisation est en effet un enjeu de plus en plus important dans le monde du transport et de la logistique.</p><p>Du point de vue des flottes, elle permet une optimisation des ressources et une amélioration potentielle de la rentabilité. Réussir à créer un itinéraire optimisé afin de transporter simultanément plusieurs passagers (comme le font par exemple <a href="https://ridewithvia.com/">Via</a>, ou <a href="https://www.uber.com/info/fr/uberpool-paris/">UberPOOL</a>) ou plusieurs colis (dans une logique de tournée de livraison) permet de minimiser le temps parcouru à vide et le temps de travail du chauffeur, sur un secteur très sensible aux marges opérationnelles.</p><p>Du point de vue des clients, l’utilisation d’un service de transport partagé entre plusieurs passagers (ou entre plusieurs colis pour la livraison) permet d’obtenir des prix plus attractifs, en contrepartie d’une expérience légèrement dégradée (temps d’attente plus important, détour pendant le trajet, etc). Les tarifs proposés ainsi par UberPOOL sont 25 à 30% moins chers que pour un trajet identique en UberX.</p><p>Enfin, du point de vue des villes, la mutualisation permettrait de désengorger les axes de circulation, et de repenser les transports individuels actuels (taxis ou voiture personnelle) comme une nouvelle forme de transport partagé. Comme évoqué dans notre <a href="https://medium.com/@yusotech/quel-futur-pour-la-mobilit%C3%A9-urbaine-8246e4c1cec8">précédent article</a>, une étude du MIT réalisée à partir des données de réservation des taxis new-yorkais, a ainsi montré qu’il est possible de mutualiser 97% des demandes de trajets en taxis, sans impacter de manière significative les trajets des passagers (l’allongement du temps de trajet reste inférieur à 3 minutes).</p><p>Le taxi se rapproche ainsi de plus en plus du bus. Par exemple, dans des villes de taille moyenne ou en zone rurale, les transports à la demande du type transport scolaire ou transport des PMR (Personnes à Mobilité Réduite) font de plus en plus appel aux taxis. La mutualisation de trajet pourrait par exemple permettre de transformer le transport en commun en modèle digitalisé et intelligent, qui se base non pas sur des lignes rigides à horaires fixes mais sur les itinéraires dynamiques, qui s’adaptent en fonction de la demande.</p><p>Si l’on considère à présent le sujet de la mutualisation d’un trajet du point de vue du dispatch, elle soulève trois enjeux majeurs, entre lesquels il faut trouver un équilibre : un enjeu technologique, un enjeu opérationnel et un enjeu en termes d’expérience utilisateur.</p><h4><strong>La mutualisation d’un point de vue technologique</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*knSD36XwuRrqbu3zgB965w.jpeg" /></figure><p><em>“C’est l’histoire d’un voyageur de commerce…”</em></p><p>L’enjeu technologique lié à la mutualisation est en réalité proche d’un problème très connu en informatique et en optimisation, connu sous le nom du “problème du voyageur de commerce”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/974/1*Dp6aJtsSBZ5W0--93tRKOQ.jpeg" /></figure><p>Ce problème a un énoncé très simple : un voyageur de commerce doit se rendre successivement dans plusieurs villes en minimisant la distance totale qu’il parcourt. On connaît la distance entre chacune des villes, et il faut donc déterminer dans quel ordre il doit les visiter.</p><p>Si l’énoncé du problème est très simple, il est en réalité plus complexe à résoudre, car il faut tester toutes les combinaisons possibles : si le voyageur doit se rendre dans 10 villes, cela fait 10! chemins différents à calculer, soit 3 628 800 combinaisons ! Si il doit traverser 20 villes, il faut calculer 20! chemins, soit plus de 2 milliards de milliards de solutions. Même en effectuant un milllion de solutions par seconde, il faudrait plus de 77 000 ans pour tout tester.</p><p>L’enjeu ici n’est pas tant de résoudre ce problème, qui reste algorithmiquement relativement simple, mais de le résoudre en temps restreint. En effet, il faut être en mesure d’apporter en quelques secondes une réponse à un client qui voudrait par exemple réserver une place à bord d’un bus pour un départ immédiat.</p><p><em>Le cas d’un départ immédiat</em></p><p>Lorsque que l’on souhaite mutualiser un trajet à départ immédiat avec d’autres trajets déjà planifiés, il faut considérer comme véhicules potentiels pour prendre en charge le nouveau passager tous les véhicules en circulation, même si un passager est déjà à bord. Il ne s’agit plus dans ce cas de chercher le meilleur temps d’approche, mais l’itinéraire le plus optimal. Un véhicule peut par exemple très bien effectuer un arrêt intermédiaire avant de venir chercher le nouveau passager.</p><p>En termes de calculs, on est ici en réalité face à des problématiques très similaires à celles d’une réservation à l’avance, avec un nombre important de possibilités dans le choix du véhicule. Le seul filtre possible au niveau des véhicules se base sur les fenêtres de temps autorisées pour la prise en charge ou la dépose du passager, qui vont limiter les possibilités d’enchaînement des trajets.</p><p><em>Le cas d’une réservation à l’avance</em></p><p>Lorsqu’on se place dans le cas d’une réservation à l’avance, le problème est encore plus complexe à résoudre : le temps de réponse importe moins cette fois, mais le nombre de calculs reste très important pour établir les planning des chauffeurs, car il est nécessaire de calculer tous les temps de trajets intermédiaires. Le schéma ci-dessous permet de mieux visualiser l’agencement des différentes courses.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*15aCwNNlOknM69CDJFsrJw.jpeg" /></figure><p>Essayons de déterminer le nombre de calculs nécessaires dans cette nouvelle configuration. On considère par exemple un cas où il y a 10 véhicules disponibles, et l’on reçoit 100 demandes de trajet, à répartir entre ces 10 véhicules. Essayons de déterminer le nombre de trajets intermédiaires. Pour cela il faut considérer :<br>- 200 points de passages intermédiaires (1 point de prise en charge et 1 point de dépose pour chacun des 100 trajets)<br>- 10 points de départ des véhicules (1 par véhicule)<br>- 10 points d’arrivée des véhicules (1 par véhicule)<br>Soit 220 points au total, à partir desquels il faut calculer les trajets vers les 219 autres points. Il y a donc 220 x 219 = 48 180 temps de trajets à calculer.</p><p>Si on note x le nombre de véhicules et y le nombre de trajets, le nombre de temps de trajets intermédiaires N s’obtient avec la formule suivante :<br>N = (2x + 2y) *(2x +2y-1)<br>Dans ce cas, le nombre de calculs est quadratique par rapport au volume d’entrée n. En informatique, on parle d’une complexité en O(n²). Calculer les temps de parcours en un temps restreint reste cependant envisageable .</p><p>Cependant, le travail ne s’arrête pas là : une fois ces temps de trajet calculés, encore faut-il déterminer quel est le meilleur agencement des plannings. Et c’est là où le bât blesse, car dans le nombre de possibilité de planning est factoriel par rapport à n : on parle dans ce cas d’une complexité en O(n!). Si on reprend l’exemple décrit ci-dessous, il existe ainsi (200 + 10 + 10)! = 220! agencements possibles, soit plus que le nombre d’atomes dans l’univers. Impossible donc de calculer de cette manière le planning le plus optimal, alors qu’en réalité 100 demandes réparties sur 10 véhicules correspondent à de faibles volumes en termes de transport de personne (Uber réalise par exemple 30 000 courses/jour à Paris).</p><p><em>Utilisation d’une carte en local</em></p><p>Afin de calculer ces temps de trajets intermédiaires, la plupart des solutions de dispatch se basent sur les données fournies par Google via son API Google Maps. Or, le nombre de requêtes par seconde est limité, et le service est payant au-delà d’un certain nombre de requête. Cela limite le nombre de calculs possibles et peut coûter à terme très cher, d’autant que <a href="https://www.numerama.com/tech/367443-google-maps-devient-beaucoup-plus-cher-petit-seisme-dans-le-monde-de-la-cartographie.html">Google vient d’augmenter brusquement ses tarifs</a>.</p><p>Afin de s’affranchir de cette dépendance et pouvoir faire un nombre de requêtes illimité, il peut être judicieux de développer sa propre solution de cartographie. Dans ce cas, il faut pouvoir garantir un temps de réponse très court, surtout dans le cas de réservation avec départ immédiat. C’est le choix que nous avons fait chez Yuso. Nous avons ainsi développé notre propre carte en local qui permet d’effectuer des calculs intensifs, c’est-à-dire effectuer un grand nombre de temps de trajet en un délai très court.</p><p>Un exemple de carte en local est disponible ci-dessous : dans cette carte, les routes sont toutes hiérarchisées en fonction du volume de véhicules qui y transite. Les axes structurants sont ainsi en rouge, les axes de second niveau en orange, etc. Ci-dessous se trouve par exemple la carte de Paris fournies par OpenStreetMap. Le périphériques y est représenté en rouge car c’est un axe qui permet de faire le tour de Paris très rapidement.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hCBlDqCmyZxB-eCmbf7ilA.png" /></figure><p>Comme décrit dans l’<a href="http://algo2.iti.kit.edu/schultes/hwy/hhJournalSubmit.pdf">article</a> “Engineering highway hierarchies”, afin de se déplacer le plus rapidement possible, le but est de rejoindre au plus vite un grand axe, puis redescendre de niveau dans la hiérarchie des axes lorsqu’on s’approche du point d’arrivée. Cette façon de se déplacer, qui est finalement assez intuitive pour un conducteur, permet de réduire drastiquement le nombre de calculs nécessaires pour établir les temps de trajet.</p><p>Cette carte en local est en réalité d’un point de vue mathématique un graphe qui modélise Paris grâce à des arêtes (les rues) et des points (les intersections de rues). On attribue à chaque arête un temps de trajet, comme dans le cas du problème du voyageur de commerce. Cela permet de simplifier la cartographie d’une ville et donc de simplifier les calculs de temps de trajet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UiP3Z-PtA95TqOEM6vFeGw.png" /></figure><p>L’utilisation du graphe avec hiérarchie des axes permet de réduire le temps de calcul de 75% par rapport à un graphe plat sans hiérarchie, et d’améliorer la précision des résultats, car son maillage est plus dense. Le seul inconvénient de cette solution est qu’elle nécessite de construire un graphe similaire pour chaque ville où l’on souhaite déployer une flotte, ce qui peut être très long selon son étendue et le nombre d’axes à hiérarchiser.</p><p>Si par la suite on envisage de faire de l’optimisation des plannings des chauffeurs, il faut tester toutes les combinaisons possibles entre les différents trajets, et dans le cas de trajets mutualisés, cela augmente très fortement le nombre de calculs. Afin de minimiser le nombre de calculs nécessaires, il faut donc envisager de préfiltrer les véhicules (véhicules situés à une trop grande distance, ou qui ont déjà beaucoup de passagers à bord etc)</p><h4><strong>La mutualisation en termes opérationnels</strong></h4><p>Le fait de vouloir mutualiser plusieurs trajets peut sembler très séduisant au premier abord, lorsqu’on se place d’un point de vue opérationnel, car l’on peut effectuer potentiellement plus de trajets avec moins de véhicules. En réalité, ce type de service doit être un minimum rigidifié et contrôlé afin d’être réellement efficace et intéressant d’un point de vue opérationnel.</p><p>En effet, un service de transport proposant une mutualisation des trajets entre plusieurs passagers ne peut pas fonctionner si on ne met aucune contrainte (en terme de plage de disponibilité ou de trajets autorisés), car alors la probabilité de mutualiser un trajet peut se voir fortement diminuée. Par exemple, un trajet en heure creuses de Paris vers Boulogne aura peu de chance d’être mutualisé avec un trajet similaire, alors qu’un trajet de Boulogne vers La Défense un matin en heure de pointe aura plus de chance d’être mutualisé avec une demande de trajet similaire.</p><p>Voici quelques exemples de contraintes qu’il est possible d’utiliser pour maximiser la probabilité de mutualiser plusieurs trajets :</p><ul><li>Définir comme point de prise en charge ou de dépose des arrêts virtuels stratégiquement placés, vers lesquels le passager devra se rendre (plutôt que d’être pris en charge ou déposé à l’adresse exacte où il le souhaite). C’est ce qui a été mis en place par Via à New York ou Washington ou par Bridj à Sydney par exemple.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*r2eHbG9moZykYx2F." /></figure><ul><li>Définir des contraintes horaires concernant la disponibilité du service (par exemple l’ouvrir uniquement en heure de pointe matin et soir, pour effectuer des trajets domicile-travail)</li><li>Autoriser comme zone de desserte et de prise en charge des couloirs ou des “zones chaudes” qui présentent beaucoup de demande (c’est le modèle suivi par exemple par Bridj à Sydney, ou encore par Chariot à San Francisco)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XKYifIJmE2H-ZwnzgygQAg.png" /></figure><ul><li>Faire attendre le client quelques minutes avant de lui proposer un trajet, pour maximiser les chances de trouver un trajet similaire avec qui mutualiser la course</li></ul><p>A contrario, si les contraintes d’horaires ou opérationnelles sont trop restrictives (service disponible sur une plage horaire réduite, ou dans une zone géographique trop restreinte), le service ne fonctionnera pas non plus, car la probabilité qu’un trajet réponde exactement aux critères fixés sera très faible.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*F--DlhdVkhJRh5OU." /></figure><p>La difficulté ici est donc de trouver le bon équilibre entre les contraintes : elles doivent assurer une viabilité économique du service et un taux minimum de remplissage, mais ne doivent pas pour autant frustrer le client et dégrader son expérience lors de l’utilisation du service.</p><h4>Dernier enjeu, et non des moindres : l’expérience utilisateur</h4><p>Même si un client qui emprunte un mode de transport mutualisé plutôt qu’un mode de transport individuel s’attend à avoir un trajet moins “optimal”, il ne faut pas lui faire vivre une expérience décevante pour autant. Il semble périlleux par exemple de partager son trajet avec des passagers qui vont dans une direction complètement opposée, ou de multiplier par trois son temps de trajet, même s’il paye un prix réduit comparé à un service de transport classique non mutualisé.</p><p>Le cas du service UberPOOL est en ce sens intéressant : Uber avait initialement choisi d’effectuer des trajets porte à porte, et d’aller chercher les passagers à l’adresse exacte qu’ils avaient demandée. Ce modèle, qui semble être le plus satisfaisant pour le client, n’est en réalité pas le plus optimal. Le fait de prendre en charge ou de déposer d’autres passagers à une adresse précise oblige le véhicule à faire des détours dans les petites rues (où les sens uniques sont nombreux à Paris) et à perdre beaucoup de temps. Suite aux réclamations de ses utilisateurs, <a href="http://www.leparisien.fr/info-paris-ile-de-france-oise/transports/uberpool-ca-s-ameliore-13-05-2018-7713576.php">Uber a donc décidé de changer son modèle</a> et de passer sur un modèle “<a href="https://www.theverge.com/2018/2/21/17020484/uber-express-pool-launch-cities">UberPOOL Express</a>”, expérimenté aux Etats-Unis. Il demande ainsi à ses clients de marcher jusqu’à des points de rencontres idéalement situés sur de grands axes, pour minimiser la perte de temps liée à la prise en charge ou à la dépose d’un passager.</p><p>Ainsi, cela implique au niveau individuel de marcher quelques minutes pour se rendre à un point de prise en charge, mais le bénéfice global est important : les autres passagers gagnent individuellement du temps sur leur trajet, et le chauffeur peut effectuer plus de courses et avoir un meilleur salaire horaire.</p><p>C’est le constat qui a également été fait par Via à New York, qui demande à ses utilisateurs de se rendre à des points de prise en charge situés au niveau d’intersections. Ils doivent également attendre quelques minutes avant d’obtenir une proposition de trajet, et confirmer la réservation dans les 30 secondes, car la place est pré-réservée à bord d’un véhicule.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gku91vMR_B-eIaJi." /></figure><p>Tout comme lorsque qu’un service de mobilité partagée met en place des contraintes opérationnelles, l’enjeu est ici de faire la balance entre les efforts demandés à l’utilisateur et la qualité globale du service rendu. C’est l’équilibre entre des prix attractifs et des contraintes opérationnelles optimales qui permet de gagner en efficacité et en confort du passager. Cela va être le défi à relever pour tous les services de bus à la demande, qu’ils soient privés ou publics, dans les prochaines années.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=45b2d028a63" width="1" height="1" alt=""><hr><p><a href="https://medium.com/articles-yuso/le-casse-t%C3%AAte-du-dispatch-partie-2-la-mutualisation-45b2d028a63">Le casse-tête du dispatch, partie 2 : la mutualisation</a> was originally published in <a href="https://medium.com/articles-yuso">Articles de blog Yuso (en français)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[What kind of future for urban mobility?]]></title>
            <link>https://medium.com/yuso-articles/what-kind-of-future-for-urban-mobility-b5e14d944a6b?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/b5e14d944a6b</guid>
            <category><![CDATA[autonomous-cars]]></category>
            <category><![CDATA[transportation]]></category>
            <category><![CDATA[urban-mobility]]></category>
            <category><![CDATA[dispatches]]></category>
            <category><![CDATA[on-demand-transit]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Thu, 21 Jun 2018 15:25:05 GMT</pubDate>
            <atom:updated>2018-07-06T08:46:37.469Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V8XKz2JuDOyuVi5N7GBmkA.jpeg" /></figure><p>These last few years have seen the rise of numerous deep and long-lasting changes in the mobility sector. The urban mobility paradigm drawn in the sixties with the widening access to private cars is fading, opening the door to new trends.</p><p>At Yuso, as mobility specialists, we are convinced that the revolution experienced by urban mobility in the next few years will be based on three pillars: the car of tomorrow will be first electric, then shared and finally autonomous. These three aspects are in fact closely linked. The growing success of electric cars will be a great springboard for the development of on-demand shared transportation, and eventually for autonomous car, as we will show in this article.</p><h4>Cars (and cities) of tomorrow will be green</h4><p>We can notice a global trend in the last few months: the rise of electric or hybrid cars. This trend is mainly pulled by governing bodies and by municipalities. They are very aware of the environmental and sanitary issues linked to the use of cars (air pollution, noise pollution, global warming, oil scarcity), and they are more and more willing to ban from cities cars with diesel or gas engine.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*Fdk1U_yvG0UvlscbEwGHAA.jpeg" /></figure><p>C40 Cities, a non-profit organisation that brings together the 40 largest cities in the world set as a priority the eventual extinction of diesel vehicles. Paris and Mexico, which are trialing a new program, <a href="http://c40-production-images.s3.amazonaws.com/other_uploads/images/1011_Mayors_Air_Quality_Commitment_Jan17.original.pdf?1485784551">committed into making them disappear by 2025</a>.</p><p>If the electric cars were first limited to a niche market, all car makers are now taking this path. To be able to adapt their models to changes required by cities, all car makers are rushing to extend their electric range, and replace their traditional models. Their objective is to lower costs and to optimize production processes to turn electric vehicles into mass-market products, especially thanks to technical improvements of batteries. This was highlighted by Carlos Ghosn, CEO of Renault, when he revealed in October 2017 the <a href="https://www.alliance-2022.com/blog/drive-future2017-2022-renaults-new-strategic-plan/">strategy of Renault-Nissan-Mitsubishi group</a> to improve the profitability of electric vehicles.</p><p>If electric vehicles are for the moment more expensive than traditional vehicles, they have nevertheless a longer life cycle and lower maintenance costs. Indeed, contrary to cars equipped with combustion engine, which can experience an engine or clutch breakdown, the only weakness of electric vehicles is their battery, which needs to be changed regularly.</p><p>However, the electric cars’ advent will not be a magic bullet for municipalities. The main challenge for cities, beyond the pollution problem, is also to fight against streets saturation and traffic jams. The best way to go, in addition to the expansion of public transport networks, is to call into question the individual car model. Indeed, an individual car is actually occupied by 1.2 passenger on average for commuting rides (home to work rides), and this has a huge impact on cities’ congestion. Moreover, a car is driven only during 5% of its lifetime, and spends the most of it parked, using a lot of square meters in urban landscape.</p><p>Leaving the individual car and switching to shared vehicles, or on-demand vehicles, to optimize their use seems to be a logical and a good option. It makes even more sense because these new electrics cars will be able to be driven during a longer time, and on a longer distance.</p><h4>Sharing vehicles for better cities</h4><p>In the last few years, people have shown less and less interest in individual cars, and the market is evolving through a <em>MaaS</em> (“Mobility as a Service”) model, based on shared vehicles available on-demand. The general expression “Mobility as a Service” designates in fact different car-sharing services.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*w3EXfyQCB7Im3XvMmpOOhA.jpeg" /></figure><p><em>On-demand vehicles</em></p><p>Consumers are more and more numerous to choose peer-to-peer services to rent a car, like <a href="https://www.drivy.co.uk/">Drivy</a>. A good way for owners to make profitable an unused vehicle, and a good way for renters to not be burdened by a car they almost never use.</p><p>In the last two years, the number private services offering on-demand vehicles have skyrocketed: <a href="https://www.car2go.com/US/en/">Car2Go</a> for cars, <a href="https://joincoup.com/en/berlin">Coup</a> and <a href="http://www.cityscoot.eu/paris/?lang=en">Cityscoot</a> for electric scooters, <a href="https://mobike.com/">Mobike</a>, <a href="https://www.ofo.com/us/en">Ofo</a> and others for bikes. Finally, using taxi or minicabs for occasional rides is a strong trend on the urban transportation market. For instance, 34% of <a href="https://www.lyft.com/">Lyft</a>’s users <a href="https://take.lyft.com/economic-impact/Lyft-Drives-Economy.pdf">have declared in a survey</a> that they didn’t buy a car because they prefer using the service for occasional urban rides.</p><p>We can consider all these elements as evidences showing the progressive disfavor for personal cars. Nevertheless, they need to be tempered: if minicabs and taxis are great alternatives to individual cars in urban areas, personal cars remain the queens in semi-urban or rural areas. It makes economically more sense to use one’s personal car rather than a taxi or a minicab in case of intensive use. If sales are decreasing little by little, several million cars are still sold every year.</p><p><em>Urban car-pooling</em></p><p>The second model of car-sharing is urban car-pooling. As of now, apart from local initiatives, there isn’t any service which has been able to settle its position on the market at a huge scale and on the long term, like Blablacar has succeeded on the long-distance car pooling for instance. Some tests have been made at local scale, especially in North America, but none of them has really met broad success until now.</p><p>Whatever the city, the different trials that have been conducted are all based on an individual car model, where a driver agrees to pickup passengers during his ride. Some obstacles are slowing down those initiatives, especially geographical and time constrains: to avoid detours and increasing travel times, drivers must take passengers whose route is really similar. Moreover, contrary to long-distance car-sharing, the financial incentive -not more than a few cents- is really low. Finally, urban car-sharing needs a critical mass (an important offer and demand, on a constrained territory) and a deep change in minds, while the car is perceived as a private and personal space by many people.</p><p><em>Ride-sharing services</em></p><p>This is the most advanced model of ride-sharing, in which the car doesn’t belong to an individual who can rent it or share it temporarily, but to private or public organizations, which manage and regulate ride-sharing between different passengers. This is the real model of <em>shared</em> vehicle, with the end of car as an individual property and the beginning of ride-pooling, making this type of service quite close to a public service.</p><p>In this perspective, we can imagine that on very dense urban territories, with numerous ride bookings (for instance Manhattan district or Paris city), the taxi rides can be shared automatically between several passengers. A study conducted by the MIT in New York has shown that it’s in fact possible to pool 97% of taxi rides, with a minimal impact on passengers (the increase of ride length is under 3 minutes). By doing so, it would be possible to cover the current demand with only 3 000 vehicles, while they are 13 000 today.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4tkQl5fLx8uvSYJS2CMykA.jpeg" /></figure><p>We can see here the first sight of tomorrow’s public transit, based on on-demand buses. That’s why Yuso team is working on the development of a real-time dispatch and optimization tool, able to pool rides between several passengers in the same vehicle. This tool can be used by taxis, private hire fleets, or even public transit services. For instance Via launched in New York <a href="https://ridewithvia.com/2017/06/introducing-shared-taxi-new-way-ride/">a partnership</a> with the taxi booking app Curb.</p><h4>Towards the automation of cars</h4><p>Sharing a vehicle between several passengers, as described previously, is a good way to improve the average occupancy rate, and will have a positive impact on booking price (you can read <a href="https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-1-advance-booking-455893821fa">our previous blog article</a> dealing with this subject). When you take a taxi or a minicab, le cost corresponding to driver salary (gross revenues minus vehicle’s maintenance costs, oil, insurance, etc) is equal to 50% of total cost, according to estimations made in France. From an economical point of view, shifting to transportation services based mainly on autonomous cars seems the best option in the long run.</p><p>This last evolution is for sure the most ambitious and the longest one. It will take several decades before this new model becomes universal and available at a large scale. With this in mind, numerous mobility and tech actors are currently working hard on autonomous cars projects.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DswdM5NEUTAE0--ITH5Cfg.jpeg" /></figure><p>The likely democratization of autonomous vehicles rises a question: will consumers who can afford such vehicles use them even more? For car models presenting the higher degree of autonomy (class 5), and which don’t need any driver, we can imagine that the car will be an extension of home or office, where passengers can do their daily tasks.</p><p>Beyond the impact on individual cars, the revolution of autonomous vehicles might impact before all public transit services: better and more flexible services, extended hours, denser networks,… These changes will be really beneficial for urban, sub-urban areas, and even for rural areas which are missing proper transportation offer for the moment. Public transit based on autonomous vehicles might make accessible areas where there was not alternative to personal cars.</p><p>Some trials have been launched in 2017, like for instance the experiment made by Renault and Transdev in Rouen Technopôle with autonomous Zoé cars.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*stbnzgoMIMK2hQg3.jpg" /></figure><p>In the same way, trials are more and more numerous in France, especially in Paris. Some tests are currently taking place in La Defense (major business center in Paris) thanks to <a href="https://navya.tech/en/">Navya</a> vehicles operated by Keolis, or between Austerlitz and Lyon train stations, with <a href="http://www.easymile.com/">EasyMile</a> autonomous shuttles operated by RATPDev.</p><p>These experiments are made for the moment in limited areas with few traffic, on dedicated roads, with a supervisor on board to secure passengers. In the long run, shuttles may be completely autonomous, but will need a specific symbol or signal to warn drivers.</p><p>In this context, a company like <a href="http://www.yuso.tech/">Yuso</a> can play a key role, as a developer of automated dispatch and ride optimization solution.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b5e14d944a6b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/yuso-articles/what-kind-of-future-for-urban-mobility-b5e14d944a6b">What kind of future for urban mobility?</a> was originally published in <a href="https://medium.com/yuso-articles">Yuso blog articles (in English)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quel futur pour la mobilité urbaine ?]]></title>
            <link>https://medium.com/articles-yuso/quel-futur-pour-la-mobilit%C3%A9-urbaine-8246e4c1cec8?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/8246e4c1cec8</guid>
            <category><![CDATA[voiture-autonome]]></category>
            <category><![CDATA[voiture-électrique]]></category>
            <category><![CDATA[dispatches]]></category>
            <category><![CDATA[transport-à-la-demande]]></category>
            <category><![CDATA[mobilité]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Wed, 20 Jun 2018 12:45:22 GMT</pubDate>
            <atom:updated>2018-06-21T16:38:34.211Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2ECUjR0dz3STEzK1Seb9pA.jpeg" /></figure><p>Ces dernières années ont vu se profiler de nombreux changements, profonds et durables dans le domaine de la mobilité. Le modèle de mobilité urbaine dessiné dans les années 60 avec l’accession généralisée à la voiture individuelle s’efface peu à peu, afin de laisser place à un nouveau paysage.</p><p>Chez Yuso, à l’instar de beaucoup de spécialistes du secteur, nous sommes persuadés que la révolution que connaîtra la mobilité urbaine dans les prochaines années sera triple : la voiture de demain sera d’abord électrique, puis partagée, et enfin autonome. Ces trois aspects sont en réalité intrinsèquement liés. Le succès croissant des voitures électriques vont en effet être un tremplin pour l’essor des services de mobilité partagée à la demande, et en dernier lieu<em> </em>aux voitures autonomes, comme nous allons le voir dans cet article.</p><h4><strong>La voiture (et les villes) de demain seront vertes</strong></h4><p>On observe un peu partout dans le monde une tendance de fond ces derniers mois : l’essor des voitures électriques. Cette tendance est avant tout tractée par les instances politiques et les municipalités. Conscientes des enjeux tant écologiques que sanitaires liés à l’utilisation de la voiture (pollution de l’air, pollution sonore, réchauffement climatique, raréfaction des ressources pétrolifères), elles sont de plus en plus nombreuses à vouloir interdire les villes aux voitures possédant des moteurs diesel ou essence.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*GSzYtJtP1wLFINtTjG8ZNg.jpeg" /></figure><p>La C40 Cities, une association qui réunit les 40 plus grandes villes du monde, a ainsi fixé pour objectif la disparition progressive des véhicules diesel. Paris et Mexico, qui participent à un programme pilote, <a href="http://www.c40.org/blog_posts/capitales-annoncent-la-fin-du-diesel-d-ici-2025">se sont ainsi engagées à les faire disparaitre d’ici 2025.</a></p><p>Si les modèles électriques s’adressaient auparavant à un marché de niche, tous les constructeurs automobiles s’engagent maintenant dans cette voie. Afin d’être en mesure de s’adapter aux changements impulsés par les villes, l’ensemble des constructeurs se sont lancés dans une course à la voiture électrique, pour remplacer peu à peu leurs modèles équipés de moteur à combustion. L’objectif ? Faire baisser les coûts et optimiser les processus de production pour rendre ces véhicules plus accessibles au grand public, notamment grâce aux progrès techniques sur les batteries. En témoignent par exemple les <a href="https://www.lesechos.fr/industrie-services/automobile/030694049143-le-plan-de-renault-pour-doper-sa-rentabilite-dans-lelectrique-2122876.php">annonces du PDG de Renault</a>, Carlos Ghosn, qui présentait en octobre dernier la stratégie du groupe Renault-Nissan-Mitsubishi pour améliorer la rentabilité de ses modèles électriques.</p><p>Si le coût des véhicules électriques demeure pour le moment plus élevé que celui des véhicules traditionnels, ils présentent en revanche une plus grande longévité et des coûts de maintenance réduits. En effet, contrairement aux modèles à combustion, souvent victimes de panne au niveau du moteur ou de l’embrayage, la seule faiblesse des véhicules électriques est leur batterie, qu’il faut changer régulièrement.</p><p>Cependant, l’avènement du tout électrique ne sera pas une solution miracle pour les municipalités. L’enjeu pour les villes, au delà du problème de la pollution, est aussi de combattre la saturation et les embouteillages. Le meilleur moyen d’y arriver, conjointement au développement des réseaux de transports en commun et de solutions comme le vélo, est de remettre en cause le paradigme de la voiture individuelle. En effet, un véhicule personnel est <a href="http://www.futura-sciences.com/planete/questions-reponses/automobile-taux-occupation-voiture-1019/">occupé en moyenne par 1,2 passager lors des déplacements pendulaires</a> (trajets domicile-travail), ce qui a un réel impact sur l’engorgement des villes. De plus, une voiture personnelle n’est utilisée réellement que 5% du temps, et reste ainsi majoritairement garée, occupant beaucoup de place dans l’espace urbain.</p><p>Abandonner le modèle de la voiture individuelle et se tourner vers un modèle de véhicules partagés, ou de véhicules à la demande, pour optimiser leur utilisation semble donc une évolution logique et souhaitable. Cela fait d’autant plus sens que ces nouveaux modèles électriques seront en mesure de rouler sur de plus longues distances et plus longtemps.</p><h4><strong>Partager les véhicules pour désengorger les villes</strong></h4><p>On observe depuis quelques années un désintérêt progressif pour la voiture individuelle, et une orientation du marché vers un modèle de <em>Mobility as a Service,</em> basé sur des véhicules partagés et disponibles à la demande. Sous ce terme global de <em>Mobility as a Service </em>sont regroupés en réalité différents modèles de partage.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*lg_-rrh1VqgsmBzF.jpeg" /></figure><p><em>Véhicules à la demande</em></p><p>Les consommateurs sont de plus en plus nombreux à se tourner vers des services de location de voiture de particulier à particulier (<em>peer-to-peer</em>), tels que <a href="https://www.drivy.com/">Drivy</a> ou <a href="https://www.koolicar.com/">Koolicar</a>. Un bon moyen pour les propriétaires de rentabiliser un véhicule qui ne roule pas et pour les loueurs de ne pas s’encombrer d’un véhicule dont ils n’auraient presque jamais besoin.</p><p>Les deux dernières années ont vu l’explosion des services privés qui proposent des véhicules à la demande : <a href="http://www.car2go.com/">Car2Go</a> pour les voitures, <a href="http://joincoup.com/">Coup</a> et <a href="http://www.cityscoot.eu/">Cityscoot</a> pour les scooters électriques, <a href="https://mobike.com/">Mobike</a>, <a href="http://www.ofo.com/">Ofo</a> et consorts pour les vélos. Enfin, le recours aux services de taxis ou de VTC pour effectuer des déplacements ponctuels est aussi une tendance forte. Une <a href="http://www.ademe.fr/sites/default/files/assets/documents/etude-differentes-formes-voitures-transport-avec-chauffeur-vtc_synthese.pdf">étude menée en 2016 par l’ADEME</a> estime que l’usage croissant des VTC a contribué à une baisse de 3% du parc de voitures individuelles en France, soit 21 000 à 30 000 véhicules. Il est en effet parfois plus rentable d’utiliser un VTC ou un taxi que de financer l’achat, le parking et l’entretien d’un véhicule qui ne ferait que des courts déplacements urbains. De même aux Etats-Unis, 34% des utilisateurs de <a href="https://www.lyft.com/">Lyft, </a>interrogés dans le cadre d’une <a href="https://take.lyft.com/economic-impact/Lyft-Drives-Economy.pdf">étude</a>, estiment qu’avoir recours aux services de la firme au logo rose pour leurs déplacements leur a évité l’achat d’un véhicule personnel.</p><p>On peut voir dans ces chiffres autant de signes positifs montrant l’abandon progressif de la voiture personnelle. Cependant, ils sont à nuancer : si les VTC et taxis sont des alternatives crédibles à la voiture personnelle en ville, le véhicule personnel reste roi en milieu rural ou semi-urbain où il n’existe aucune alternative. Il est aussi économiquement plus intéressant que le recours aux taxis ou VTC dans le cas d’une utilisation fréquente. Si les ventes de voitures s’essoufflent petit à petit, des millions de modèles continuent à s’écouler chaque année.</p><p><em>Co-voiturage intra-urbain</em></p><p>Le second modèle de partage de véhicules est celui du covoiturage intra-urbain. Pour le moment, il existe quelques initiatives locales, mais aucun service n’est réellement parvenu à établir massivement et durablement sa position sur le marché, comme Blablacar a pu le faire en France sur le covoiturage longue distance par exemple. Des services pilotes ont ainsi été lancés à l’échelle locale, en particulier en Amérique du Nord, mais aucun n’a vraiment rencontré succès suffisant pour s’étendre à tout le pays.</p><p>Quelle que soit la ville concernée, les différentes expérimentations qui sont menées se basent toutes sur un modèle de voiture individuelle, où un conducteur accepte de prendre des passagers à bord sur sa route. Les principaux freins à ce genre d’initiatives sont les fortes contraintes horaires et géographiques qui pèsent sur les trajets : pour éviter de faire un large détour et allonger significativement leur temps de trajet, les conducteurs doivent prendre des passagers qui effectuent un trajet quasi-similaire au leur. De plus, contrairement au co-voiturage longue distance, le bénéfice financier - de l’ordre de quelques centimes - est peu incitatif. Le co-voiturage intra-urbain nécessite enfin une masse critique (une offre et une demande de trajets importantes, sur un territoire restreint) et un changement en profondeur des mentalités, alors que la voiture demeurent pour beaucoup un espace privé et personnel.</p><p><em>Des services de taxi partagé ou de bus à la demande</em></p><p>C’est le modèle le plus avancé de partage de véhicule, dans lequel ce dernier n’appartient plus à un individu qui le loue ou le partage temporairement avec d’autres, mais à des organisations privées ou publiques, qui organisent et régulent le partage des trajet entre plusieurs passagers. On est ici réellement dans le modèle du véhicule<em> partagé</em>, avec l’abandon de la voiture en tant que propriété individuelle et l’apparition de la mutualisation des trajets, ce qui le rapproche d’un service de transport public.</p><p>Ainsi, on peut imaginer que sur les territoires urbains très denses, avec de nombreuses demandes de trajets (à l’instar de Paris intra muros ou de Manhattan par exemple), les courses à bord de taxis ou de VTC pourraient être partagées de manière quasi-systématique. Une étude du MIT, réalisée à partir des données de réservation des taxis new-yorkais, a ainsi montré qu’il est possible de mutualiser 97% des demandes de trajets en taxis, sans impacter de manière significative les trajets des passagers (l’allongement du temps de trajet reste inférieur à 3 minutes). Il serait ainsi possible de<a href="http://www.pnas.org/content/114/3/462.full"> couvrir la demande actuelle de trajets avec 3 000 véhicules, contre 13 000 aujourd’hui</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wswO1JlZxLheisJr.jpg" /></figure><p>On voit ici se dessiner le transport public de demain, basé sur des bus à la demande. C’est pourquoi nous travaillons chez Yuso sur le développement d’un outil de dispatch et de partage de course en temps réel, capable de mutualiser les courses entre plusieurs passagers à bord d’un même véhicule. Cet outil pourrait être utilisé par des acteurs du taxi, du VTC ou même des services de transport en commun, à l’instar des services <a href="https://ridewithvia.com/">Via</a> à New York, qui vient de lancer <a href="https://ridewithvia.com/2017/06/introducing-shared-taxi-new-way-ride/">un partenariat</a> en ce sens avec l’application de réservation de taxi <a href="https://gocurb.com/">Curb</a>, ou encore de Lyft (avec <a href="https://www.lyft.com/line">Lyft Lines</a>) ou Gett (avec <a href="https://gett.com/uk/gett-together/">Gett Together</a>).</p><h4><strong>Vers l’automatisation des moyens de transport</strong></h4><p>Le partage d’un véhicule entre plusieurs passagers décrit précédemment améliore grandement le taux moyen de remplissage du véhicule, et devrait donc avoir un impact positif sur le prix des courses (voir <a href="https://medium.com/@yusotech/le-casse-t%C3%AAte-du-dispatch-partie-1-les-r%C3%A9servations-%C3%A0-lavance-6611d7d55e00">notre précédent article</a> à propos du dispatch). Lors d’un trajet en taxi ou VTC, le coût correspondant au temps de travail du chauffeur (revenu brut hors coûts associés au véhicule tels que l’entretien, l’essence, l’assurance, etc) représente en moyenne 50% du prix du trajet selon <a href="https://blogdumediateur.wordpress.com/2017/01/21/samedi-21-janvier-chiffres-precis-et-compte-rendu-detaille-de-la-reunion-plateformes-associations-de-chauffeurs-du-20-janvier-2017/">les estimations du médiateur Jacques Rapoport</a>, nommé par le gouvernement dans le cadre des discussions entre Uber et les chauffeurs VTC. Dans une logique d’optimisation des coûts, un basculement vers une mobilité urbaine basée principalement sur des voitures autonomes semble à terme inéluctable.</p><p>Cette dernière évolution est sûrement la plus ambitieuse et la plus lointaine. Il lui faudra encore plusieurs décennies avant que cette approche du transport soit généralisée et déployée à grande échelle. De nombreux constructeurs automobiles et acteurs des nouvelles technologies travaillent ainsi sur des projets de voitures autonomes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DswdM5NEUTAE0--ITH5Cfg.jpeg" /></figure><p>La potentielle démocratisation des véhicules autonomes pose également une question d’usage : les consommateurs qui ont les moyens d’acheter ce type de véhicule vont-ils l’utiliser encore plus ? Pour les modèles qui possèdent le plus fort degré d’autonomie (classe 5), ne nécessitant plus la présence d’un conducteur, on peut imaginer que la voiture deviennent une extension du domicile ou du bureau, où les passagers pourront s’adonner à leurs tâches quotidiennes.</p><p>Au delà des changements engendrés pour les véhicules individuels, cette révolution des véhicules autonomes pourrait avant tout toucher les transports publics. Des transports plus flexibles, des horaires étendus, des réseaux plus développés : les bénéfices seraient multiples tant pour les zones urbaines que pour les zones péri-urbaines ou rurales, qui sont pour le moment presque dépourvues d’offre. Le transport public basé sur des véhicules autonomes pourra permettre de désenclaver des zones ou il n’y avait jusqu’à lors aucune alternative à la voiture personnelle.</p><p>Des premières initiatives ont été lancées en ce sens en 2017, comme par exemple <a href="https://www.challenges.fr/entreprise/transports/comment-la-voiture-autonome-va-bouleverser-les-transports-publics_507762">l’expérimentation initiée sur le Technopôle de Rouen</a> par Renault et Transdev avec des voitures Zoé autonomes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/0*stbnzgoMIMK2hQg3.jpg" /></figure><p>Dans le même esprit, les expérimentations se multiplient un peu partout en France, à commencer en région parisienne. Ainsi, des tests sont en cours à la Défense grâce à des <a href="http://www.lemonde.fr/economie/article/2017/07/04/trois-nouvelles-navettes-autonomes-deployees-sur-l-esplanade-de-la-defense_5155194_3234.html">véhicules Navya mis en place par Keolis</a>, ou au bois de Vincennes avec des tests menés par RATPDev et le concepteur de navettes autonomes <a href="http://www.easymile.com/">EasyMile</a>.</p><p>Il ne s’agit encore pour le moment que d’expérimentations réalisées sur des zones à faible circulation, avec des voies dédiées, et la présence d’un agent à bord pour rassurer les passagers. A terme, les navettes circuleront en totale autonomie, mais nécessiteront néanmoins une signalétique adaptée pour avertir les conducteurs.</p><p>Dans ce contexte, une société comme Yuso aura sa carte à jouer, en tant que développeur d’une solution de dispatch automatisé et d’optimisation de flottes.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8246e4c1cec8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/articles-yuso/quel-futur-pour-la-mobilit%C3%A9-urbaine-8246e4c1cec8">Quel futur pour la mobilité urbaine ?</a> was originally published in <a href="https://medium.com/articles-yuso">Articles de blog Yuso (en français)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The puzzle of dispatch, part 1: advance booking]]></title>
            <link>https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-1-advance-booking-455893821fa?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/455893821fa</guid>
            <category><![CDATA[dispatching]]></category>
            <category><![CDATA[transportation]]></category>
            <category><![CDATA[taxi]]></category>
            <category><![CDATA[research]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Fri, 04 May 2018 13:42:45 GMT</pubDate>
            <atom:updated>2018-05-04T13:42:45.330Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kGFZNkIY3Kc2suclqwrh8A.jpeg" /></figure><p>In this article, we are going to tackle a complex subject that means a lot to the Yuso team: dispatch. Dispatch, in the sector of mobility, is the allocation of a ride to a vehicle, while optimizing the process to identify the best vehicle. These are considered as key elements in the field of transport and logistics.</p><h4><strong>The occupancy rate challenge</strong></h4><p>The reason why dispatch is a key element is its direct impact on the occupancy rate of a vehicle. In fact, the occupancy rate is a key performance indicator that has a great influence on the rides’ price, and on their profitability. Whether they drive taxis, minicabs or PHVs (Private hire vehicles), drivers want to maximise the occupancy rate to avoid driving without passenger, and thus without making money. The advent of new technologies and the digitalization of the mobility sector have allowed to improve the occupancy rate significantly.</p><p>In some cases, Uber drivers can have up to 60% as an occupancy rate, against 45% only for taxis. This remarkable difference has a direct impact on the price paid by the client. Optimization of the occupancy rate for Uber’s drivers is not only linked to the attractive prices they proposed (which increase the demand), but also to technological progress: the ability to geolocate of a driver through a smartphone in real time and the calculation of the estimated ride time while integrating real time traffic (via Google Maps), allow a better rides dispatch and a better assignment of vehicles .</p><p>To have a better understanding of the word “dispatch”, we have to consider that it actually refers to various types of computing algorithms, able to solve problems with different scales of complexity. For instance, those algorithms allow to minimize the number of kilometers driven or the time spent vacant, and to operate a transportation service in a way that is economically sustainable.</p><h4><strong>Advance bookings management</strong></h4><p>When looking at the on-demand transportation, we are able to distinguish between two models of bookings (which can sometimes coexist within the same service): immediate booking and advance booking. If the first model is relatively an easy case to treat, from an algorithmic perspective, the second model is more complex to compute as well as to operate, and can be a real puzzle.</p><p>As a matter of a fact, if the promise to accept advance bookings seems like an enticing proposition for the customer, it becomes a strong engagement and a real constraint once it is accepted by the transporter. Regardless of when the ride is scheduled and its duration, the transporter must find a driver and deal with uncertainty to ensure the transportation of his customer. It is not by chance that for a long time, Uber refused to offer its customers a service that enables advance bookings. Advance bookings is a real dilemma that Yuso on which is developing solutions of intelligent dispatch.</p><p><strong><em>Real time assignment</em></strong></p><p>The first method to manage advance bookings is to consider them as immediate rides and therefore, to assign them to a vehicle a few minutes before the scheduled pick up time. This is how fleets operate with a high density of demand. The operational problem with the this solution is twofold. First of all, to make sure that the driver will be on time, the booking has to be allocated in advance, typically between 10 and 40 minutes before the beginning of the ride, forcing the driver to wait for his passenger. Second of all, in this scenario, the fleet’s capacity is not considered, as well as the fact that a driver can be available “randomly” in the right place at the right moment.</p><p>In algorithmic terms, we are here in a relatively simple case where the ride assignment to a vehicle is based on the shortest ETA, and where it is also possible to introduce additional optimization criterias (for example : revenue’s balance between drivers, or a priority order in a rank zone). We can go a little further in the optimization criterias by introducing demand forecasts by time and by geographical area. This slightly complicates calculations but remains a relatively simple problem to solve.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*qhCUfpLOwfXJvYu4VI4TXg.gif" /></figure><p>This is the dispatch logic mainly used by market leaders, which have a large number of drivers and high demand, such as Uber or Chauffeur Privé in Paris for example.</p><p><strong><em>Advance assignment</em></strong></p><p>On the contrary, in the case of limited availability of drivers, it is a risk to accept all booking requests, and treat them as immediate rides, because there is a chance that no driver will be available at the chosen time near the pick up address. In this case, the transporter will prefer to assign in advance the booking to a driver, to be certain it will be ensured. Advance bookings are thus assigned in priority over immediate rides, even if they are sometimes less interesting from an economic point of view (more miles driven unoccupied).</p><p>For example, a trip at 9am on a weekday, assigned in advance at the far end of London’s suburb, will require a significant approach time from the driver, because it is unlikely that he would be nearby, and thus the driver will make a few pounds. The time/income ratio is then not interesting. It would have been more economically interesting for the driver to place himself at that time near an airport for example, where the demand is strong and the price of the rides is high.</p><p>Therefore, we have developed at Yuso a tool able to manage ride assignment based on planning construction. This enables to automate this process, that is much more complex than the real time assignment described above. Our model enables to optimize resources (the vehicles), and to accept only the bookings that the fleet is able to carry out. For instance, several motorcycle-taxi companies in Paris use our tool and our planning solution.</p><p>From an algorithmic perspective, assigning rides in advance means working on planning. For this, we save all booking requests made in advance (up to 20 minutes before the departure time) and then we assign them all at once by building drivers’ schedules.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nncCoTGlmpl4a3kRrNybpQ.png" /></figure><p>Here’s what happens in detail when it comes to planning construction:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YexBFNSdhmSCTKpV21g4bw.png" /></figure><p>This case is relatively simple because here we just have to solve a “static” problem, where we compare all drivers’ shedules to all booking requests to arrange them in the best way.</p><p>Nonetheless, if we want to keep some flexibility (and accept bookings made after the initial construction of the planning), the problem becomes dynamic, and by consequence more complex. In fact, as soon as a new booking is made, we have to recalculate all the plannings, and if necessary, make changes on the plannings by re-assigning the rides.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6IWQwjs2LD5TH7FP7CfcUw.png" /></figure><p><strong>Creation of a hybrid model</strong></p><p>In a nutshell, we find ourselves here facing two opposing ways of dealing with bookings in advance, depending on the service available to make ends meet.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*imIaNr7oPM_j99WziR7xPw.png" /></figure><p>Our vision at Yuso is not to consider these two dispatch models as contradictory, but more as complementary, and to use them both in our tool according to the economic relevance of the various booking requests received. For example, this will allow a transporter to assign in advance only the most critical rides, or those that are economically interesting, and to treat in real time rides that are less complicated to assign (for example, bookings that start from train stations or airports).</p><p>To actually implement this hybrid model, we have introduced in our dispatch tool the notion of “clustering”, which will basically consist in forming groups of rides that “match together” and that make sense economically. Accordingly, as soon as a cluster of rides is identified, it will be assigned to a driver and added to his planning.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U1DVruIZ0usmmSxngsHOKw.png" /></figure><p><strong>Towards a more optimized dispatch</strong></p><p>As we have seen throughout this article, these dispatch models are interesting to optimize the transport of people in taxis or PHVs. However, if we want to push optimization even further, and set up a logic of pooling rides (for a delivery or ride-sharing service for example), we have to add a new parameter that complicates even more the equation: the filling rate.</p><p>Considered more important than the approach time and kilometers driven while vacant, the filling rate is essential from an economic point of view, because the absence of mutualization often leads to income losses. Thus, in the case of a pooled ride, it makes no sense to consider the closest vehicle as the most optimal. We have to consider above all the predefined itinerary, the constraints of detours and schedules and obviously the filling rate of the considered vehicle… More criterias to be taken into account means more calculations to be made, and newer challenges in terms of dispatch, but this is a subject that we will discuss in the second part of this article!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=455893821fa" width="1" height="1" alt=""><hr><p><a href="https://medium.com/yuso-articles/the-puzzle-of-dispatch-part-1-advance-booking-455893821fa">The puzzle of dispatch, part 1: advance booking</a> was originally published in <a href="https://medium.com/yuso-articles">Yuso blog articles (in English)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Le casse-tête du dispatch, partie 1 : La réservation à l’avance]]></title>
            <link>https://medium.com/articles-yuso/le-casse-t%C3%AAte-du-dispatch-partie-1-les-r%C3%A9servations-%C3%A0-lavance-6611d7d55e00?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/6611d7d55e00</guid>
            <category><![CDATA[optimization]]></category>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[dispatching]]></category>
            <category><![CDATA[vehicule-assignation]]></category>
            <category><![CDATA[transportation]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Wed, 11 Apr 2018 10:16:25 GMT</pubDate>
            <atom:updated>2018-04-12T15:20:50.549Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XouYRWAoPrK0liDyOQWZBA.jpeg" /></figure><p>Nous allons dans cet article vous parler d’un sujet complexe mais qui nous passionne (forcément) chez Yuso : le dispatch. Le dispatch, dans le secteur de la mobilité, est le fait d’allouer une course à un véhicule et un chauffeur, ainsi que l’optimisation de ce processus pour identifier le meilleur véhicule. Ce sont deux sujets absolument clés dans le domaine du transport et de la logistique.</p><p><strong>L’enjeu du taux d’occupation</strong></p><p>La raison qui fait du dispatch une question clé est son impact direct sur le taux d’occupation du véhicule. En effet, le taux d’occupation est un indicateur de performance qui a une forte influence sur le prix des courses et leur rentabilité. Que ce soit pour un taxi ou un VTC, les chauffeurs vont chercher à maximiser ce taux pour éviter de rouler à vide. L’arrivée des nouvelles technologies et la digitalisation du secteur ont ainsi permis d’améliorer significativement ce taux.</p><p>Dans certaines villes, les chauffeurs Uber atteignent par exemple un taux d’occupation de 60%, contre 45% pour les taxis. Une différence significative qui se répercute directement sur le tarif exigé auprès du client. Cette optimisation du taux d’occupation chez Uber est liée à la fois aux prix attractifs proposés (qui stimulent la demande), mais également aux évolutions technologiques : principalement la géolocalisation en temps réel du chauffeur par smartphone ainsi que le calcul de trajet intégrant le trafic en temps réel (notamment via Google Maps), qui vont permettre un meilleur dispatch des courses et une meilleur assignation des véhicules.</p><p>Pour bien comprendre le terme de dispatch, il faut considérer qu’il englobe en réalité différents types d’algorithmes de calcul, capables de répondre à des problématiques plus ou moins complexes. Ce sont ces algorithmes qui vont par exemple permettre de minimiser le nombre de kilomètres parcourus ou le temps passé à vide, et d’opérer un service de transport de manière économiquement viable. L’outil de dispatch peut ainsi permettre de répondre à différents objectifs business selon la typologie de service par lequel il est utilisé.</p><h4><strong>La gestion des réservations à l’avance</strong></h4><p>Lorsque l’on considère le transport de personnes à la demande, il convient de distinguer deux modèles de réservation (qui peuvent parfois cohabiter au sein d’un même service) : la réservation immédiate et la réservation à l’avance. Si le premier modèle est un cas relativement simple à traiter d’un point de vue algorithmique, le second est autrement plus complexe à gérer tant au niveau algorithmique qu’opérationnel, et peut se transformer en véritable casse-tête.</p><p>En effet, si la promesse d’accepter les réservations à l’avance est une proposition alléchante pour un client, elle constitue un engagement fort et une véritable contrainte une fois acceptée par le transporteur. Une fois la course acceptée, quelque soit son horaire et sa durée, il doit acheminer un chauffeur et composer avec tous les aléas afin de transporter son client. Ce n’est pas par hasard si Uber a longtemps refusé d’offrir à ses clients un service de réservation à l’avance. La réservation à l’avance est ainsi un véritable casse-tête sur lequel Yuso développe des solutions de dispatch intelligentes.</p><p><strong><em>Assignation en temps réel</em></strong></p><p>La première façon de gérer ces réservations est de considérer une réservation à l’avance comme une réservation immédiate et ainsi de l’assigner à un véhicule quelques minutes avant l’heure de la course. C’est ainsi que vont fonctionner les flottes avec une forte densité de demande. Le problème opérationnel avec cette solution est double. Premièrement, pour s’assurer que le chauffeur soit à l’heure la course va être allouée en avance, généralement entre 10 et 40 minutes avant le début de la course, obligeant le chauffeur à attendre sur place. Deuxièmement, dans ce schéma, on ne considère pas du tout la forte capacité de la flotte et le fait qu’un chauffeur puisse être disponible “par hasard” au bon endroit au moment voulu.</p><p>En termes algorithmiques, on est ici dans un cas relativement simple où l’assignation à un véhicule se base sur le temps d’approche le plus court, et où l’on peut éventuellement introduire dans un second temps des critères d’optimisation supplémentaires (comme par exemple l’équilibrage des revenus entre les chauffeurs, ou le respect d’un ordre de priorité dans une zone de rang). On peut aller encore un peu plus loin dans les critères d’optimisation en introduisant des prévisions de demande par heure et par zone géographique. Cela complexifie légèrement les calculs mais reste un problème relativement simple à résoudre.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*qhCUfpLOwfXJvYu4VI4TXg.gif" /></figure><p>C’est la logique de dispatch majoritairement utilisée par les services de VTC leaders du marché, qui possèdent un grand nombre de chauffeur et une demande dense, comme Uber ou Chauffeur Privé à Paris par exemple.</p><p><strong><em>L’assignation à l’avance</em></strong></p><p>A contrario, dans le cas d’une disponibilité limitée de chauffeurs, il est périlleux d’accepter toutes les demandes de réservations à l’avance et de les traiter comme des courses immédiates, car il y a un fort risque qu’aucun chauffeur ne soit disponible au moment voulu à proximité du point de départ. Le transporteur va alors dans ce cas assigner la course à un chauffeur à l’avance pour être sûr qu’elle sera assurée. Les courses en avance sont ainsi assignées en priorité par rapport aux courses en immédiat, même si elles sont parfois moins intéressantes d’un point de vue économique (plus de kilomètres parcourus à vide).</p><p>Par exemple, un trajet Clamart-Clamart à 9h en semaine, assigné à l’avance, va nécessiter un temps d’approche important de la part d’un chauffeur, car il est peu probable qu’il se situe à proximité, et va rapporter relativement peu. Le rapport temps passé/revenu est alors peu intéressant. Il aurait été plus intéressant économiquement pour le chauffeur de se mettre à cet horaire à proximité d’un aéroport par exemple, où la demande est forte et le montant des courses élevé.</p><p>Nous avons ainsi développé chez Yuso un outil capable de gérer une assignation par planning qui permet d’automatiser ce processus, beaucoup plus complexe que le processus d’assignation en temps réel décrit précédemment. Notre modèle permet ainsi d’optimiser la ressource (les véhicules), et d’accepter uniquement les courses qu’une flotte est en mesure de réaliser. Plusieurs compagnies de moto-taxis sur Paris utilisent ainsi notre outil et notre solution de planning.</p><p>D’un point de vue algorithmique, assigner les courses à l’avance revient donc à travailler sur la construction de planning. Pour cela, on va enregistrer les demandes de réservation à l’avance (jusqu’à 20 minutes avant l’heure de départ) puis les assigner toutes d’un coup en construisant les plannings des chauffeurs.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LSkjKkeYkFI6ecqv7fVHnA.png" /></figure><p>Voici ce qui se passe en détail au niveau de la construction de planning :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hfzdCsVkf-Gg_Rt7h9CNiQ.png" /></figure><p>Ce cas est relativement simple car il faut répondre ici à un problème « statique », où l’on met face à face toutes les disponibilités des chauffeurs et toutes les demandes de réservation pour les agencer au mieux.</p><p>Cependant, si l’on souhaite conserver une certaine flexibilité (et accepter des réservations passées après la construction initiale du planning), le problème devient dynamique, et donc plus complexe. En effet, dès qu’une nouvelle réservation est effectuée, il faut recalculer tous les plannings, et si nécessaire effectuer des changements de planning en réassignant les courses !</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GNVwG0gSXi1LBIT5flI-bg.png" /></figure><h4>Elaboration d’un modèle hybride</h4><p>En résumé, nous nous retrouvons ici face à deux façons antagonistes de traiter les demandes de réservation à l’avance, selon l’offre disponible pour y faire face.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bva1jM8t80V8q2QOCZAsXA.png" /></figure><p>Notre vision chez Yuso a été de ne pas considérer ces deux modèles de dispatch comme antagonistes mais comme complémentaires, et de les utiliser tous les deux dans notre outil selon la pertinence économique des différentes demandes de trajet. Cela peut permettre par exemple à un transporteur d’assigner en avance uniquement les courses les plus critiques, ou celles qui font sens économiquement, et de traiter en temps réel les courses les moins compliquées à assigner (par exemple les courses au départ des gares et aéroports).<br> <br> Pour mettre en place ce modèle hybride, nous avons introduit dans notre outil de dispatch la notion de <em>clustering</em>, qui va consister à former des groupes de courses qui « vont ensemble » et font sens économiquement. Ainsi dès qu’un cluster de courses est identifié, il va être assigné à un chauffeur et ajouté à son planning.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ab8KzJyHWCmms5BQmz4wFg.png" /></figure><h4>Vers un dispatch encore plus optimisé</h4><p>Comme nous avons pu le voir au long de cet article, ces modèles de dispatch sont intéressants pour optimiser le transport de personnes en taxis ou en VTC. Cependant, si l’on veut pousser l’optimisation encore plus loin, et mettre en place une logique de mutualisation des courses (pour un service de livraison ou de taxi partagé par exemple), il faut ajouter un nouveau paramètre qui complexifie la donne : le taux de remplissage.</p><p>Plus que le temps d’approche et les kilomètres parcourus à vide, c’est cette fois le taux de remplissage qui est primordial d’un point de vue économique, car l’absence de mutualisation induit souvent une perte de revenus. Ainsi, dans le cas d’un service de livraison, c’est un non-sens de considérer le véhicule le plus proche comme le plus optimal. Il faut considérer avant tout l’itinéraire déjà défini, les contraintes de détour et d’horaires, et bien sûr le remplissage du véhicule… Plus de critères à prendre en compte signifie plus de calculs à effectuer et de nouveaux défis en termes de dispatch, mais c’est un sujet que nous traiterons dans la seconde partie de cet article !</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6611d7d55e00" width="1" height="1" alt=""><hr><p><a href="https://medium.com/articles-yuso/le-casse-t%C3%AAte-du-dispatch-partie-1-les-r%C3%A9servations-%C3%A0-lavance-6611d7d55e00">Le casse-tête du dispatch, partie 1 : La réservation à l’avance</a> was originally published in <a href="https://medium.com/articles-yuso">Articles de blog Yuso (en français)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[2017 Review and 2018 perspectives for Yuso]]></title>
            <link>https://medium.com/yuso-articles/2017-review-and-2018-perspectives-for-yuso-859abec6d721?source=rss-a002bc8535df------2</link>
            <guid isPermaLink="false">https://medium.com/p/859abec6d721</guid>
            <category><![CDATA[dispatches]]></category>
            <category><![CDATA[product]]></category>
            <category><![CDATA[taxi-booking-software]]></category>
            <category><![CDATA[software]]></category>
            <category><![CDATA[delivery]]></category>
            <dc:creator><![CDATA[Yuso]]></dc:creator>
            <pubDate>Mon, 05 Feb 2018 12:13:51 GMT</pubDate>
            <atom:updated>2018-02-08T17:29:23.105Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>2017, a year full of success and changes for Yuso</strong></p><p>2017 was a really exciting year for Yuso, and we reached a real turning point, both from a business and product point of view.</p><p>It was the second year we marketed our dispatch management solution, and we proved its reliability, even for large fleets with hundreds of vehicles. In one year we went from 30 to 50 clients, multiplying by two our revenue, and by four the volume of rides dispatched on our platform. In February 2017, we successfully deployed our solution for largest taxi company in Luxembourg WEBTAXI, whom was compared to Uber by the Luxembourgish Prime Minister, Xavier Bettel.</p><h3>Silicon Luxembourg on Twitter</h3><p>LID2017: &quot;We don&#39;t have Uber here in Luxembourg, we&#39;ve Webtaxi! We need to balance between regulation and innovation&quot; - Xavier Bettel</p><p>We also get closer and closer to our global vision and final objective, which is to offer an all-in-one platform, dedicated to any kind of on-demand mobility service. We started in 2017 by developing some features dedicated to last-mile logistics, and by testing them with some of our clients.</p><p>Last but not least, we are backed since August 2017 by the world leading car-makers, Renault-Nissan group, through its subsidiary RCI Bank and Services. This acquisition has allowed us to have a better financial visibility, and to reinforce our team by hiring 7 talented people, who bring new skills and expertise to the different teams (backend development, UX design, front end development, R&amp;D, marketing).</p><p>Regarding product enhancement and features, we put in 2017 a high focus on improving our existing solution dedicated to e-hailing (taxis and private hire fleets), but also on developing a new version of our dispatch management solution, adapted to delivery services and last-mile logistics.</p><p>Here is a summary of the main features released in 2017:</p><p><strong><em>E-hailing improvements</em></strong></p><ul><li>Dispatch adaptation for large fleets, with revenue balance and multi-criteria algorithms</li><li>Peak-hour management to reduce delays and optimize occupancy rate</li><li>Operational productivity with UX improvements to ensure better action fluidity</li><li>Creation of external invoicing mode</li></ul><p><strong><em>Developing Delivery DMS</em></strong></p><p>This solution is based on similar technology and products than e-hailing solution, with additional products and features:</p><ul><li>New dispatch algorithms that enable orders pooling depending on multi-criteria (package size, vehicle capacity,…)</li><li>New back office interface: booking page, dashboard, driver app and web booker</li></ul><p><strong><em>Interfaces refactoring</em></strong></p><p><em>New web booker</em></p><p>The customer web booking interface was entirely refactored and rebuild from a UX/UI point of view.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*T9oIsJ87I_-XnL_lr1aPNQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zlx9RjEeaae5fuCRBd_lUg.jpeg" /></figure><p><em>New customer app</em></p><p>We create a whole new experience for your customers, with a new UI and UX design for iOS and Android app.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fgkumAUaw5ktiLhCBhJ6Og.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hrca0HdnWxsTGKnkFHgOEg.jpeg" /></figure><p><em>New driver app</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pKNZEHR0L0_S9alwxKPpVQ.jpeg" /></figure><p><strong><em>Third-party services integration</em></strong></p><p>We worked a lot in 2017 on integrating third-party services. This allows our clients to use complementary solutions and services to increase productivity and efficiency is their daily operations. Here are a few examples of the services we integrated:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LgcKC4rcy29uA-kGJwKQ0A.jpeg" /></figure><p><strong>Our objectives for 2018: hold steady and go faster</strong></p><p>2018 will be really a decisive year for the team, with many challenges to take up and upcoming novelties. The three key words for this new year will be:</p><p><strong><em>Innovation</em><br></strong>Our main objective is to keep diversifying our products and being able to embrace future of mobility. The biggest challenge will be to developed a whole new dispatch solution, tailored for ride-sharing services. Our ambition is to come up with the world first all-in-one platform, able to manage and combine different types of on-demand mobility services.</p><p><strong><em>Scalability</em><br></strong>We want to put a high focus on making our DMS tools more sturdy and able to scale with growth of our clients activity. We already expect to multiply by ten the number of rides dispatched thanks to our solution in 2018. The scalability will mainly focus on process automation concerning drivers and operational management, as well as creation of a simulation tool to make better analysis and understanding of demand flows.</p><p><strong><em>User Experience<br></em></strong>We will start a complete refactoring of our product interfaces (driver app, dashboard, ride-sharing customer app), to offer the best experience possible to your customers or your drivers.</p><p>As a conclusion, the new features for 2018 will be oriented both on our historical solution dedicated to fleet management, but will also focus more and more on features linked to ride-sharing and delivery business. The objective here is to transform our solution into a global multi-service platform, that enables fleet to manage several mobility services at the same time: taxi and delivery for instance, or taxi and ride-sharing. The diversification of mobility services offered by a fleet will be a really key aspect of <em>MaaS </em>(Mobility as a Service), and we will put all our efforts to inject this vision in our solution.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=859abec6d721" width="1" height="1" alt=""><hr><p><a href="https://medium.com/yuso-articles/2017-review-and-2018-perspectives-for-yuso-859abec6d721">2017 Review and 2018 perspectives for Yuso</a> was originally published in <a href="https://medium.com/yuso-articles">Yuso blog articles (in English)</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>