Optimizing dynamic ridesharing systems: enhancements in crowdsourced data quality and vehicle assessment algorithms

Abstract

This PhD thesis seeks to advance dynamic ridesharing systems by enhancing the quality of crowdsourced data in partially objective tasks and optimizing vehicle assessment algorithms. The research addresses key challenges within Intelligent Transportation Systems (ITS), focusing on two critical areas: refining lane change evaluations through improved crowdsourced data processing and optimizing ride-sharing recommendations to enhance carpooling services. The research adopts a dual approach. The first approach involves the development of an algorithm specifically designed to process and filter crowdsourced lane change evaluations. This algorithm effectively addresses worker biases and detects malicious inputs by employing a combination of linear modeling and fuzzy logic techniques. The second approach presents a comprehensive ride-sharing recommendation framework that integrates real-time traffic data, user preferences, environmental impact considerations, and vehicle capacity utilization. This framework was rigorously tested through simulations using a dataset encompassing 10,000 urban rides. Results from the lane change evaluation algorithm showed a significant reduction in noise and an improvement in data quality, leading to a substantial decrease in root mean square error (RMSE) when compared to baseline methods. Similarly, the ride-sharing recommendation framework demonstrated superior performance in several key areas compared to existing carpooling recommendation models. It effectively reduced the total mileage required to transport all passengers, leading to lower overall fuel consumption and a corresponding decrease in passenger fares. Additionally, drivers experienced an increase in profits due to the optimized matching of passengers based on shared preferences and the system’s ability to balance capacity utilization. However, while the system excelled in these areas, there remains some room for improvement in the percentage of satisfied ride requests. Despite this, the ability of QE-Ride to incorporate eco-friendliness and safety into its recommendations sets it apart from other systems, making it a promising tool for enhancing the overall quality of the carpooling experience for both passengers and drivers. These findings highlight the critical role of data quality improvement and optimized vehicle assignment algorithms in dynamic ridesharing scenarios. The proposed solutions not only enhance the technical capabilities of dynamic ridesharing systems but also provide practical strategies for improving sustainability and operational efficiency. Future research could further refine these data processing techniques and explore their application across other areas of ITS.

Αυτή η διδακτορική διατριβή αποσκοπεί στην ενίσχυση των δυναμικών συστημάτων κοινής χρήσης μετακινήσεων (Dynamic Ridesharing Systems) μέσω της βελτίωσης της ποιότητας των δεδομένων που συλλέγονται από το πλήθος (crowdsourcing) σε μερικώς αντικειμενικές αξιολογήσεις και της βελτιστοποίησης των αλγορίθμων επιλογής οχήματος. Η έρευνα αντιμετωπίζει βασικές προκλήσεις στα Ευφυή Συστήματα Μεταφορών (Intelligent Transportation Systems - ITS), επικεντρώνοντας σε δύο κρίσιμους τομείς: τη βελτίωση των αξιολογήσεων αλλαγής λωρίδας μέσω επεξεργασίας δεδομένων από συλλογική συνεισφορά και τη βελτιστοποίηση των συστάσεων για κοινή χρήση οχημάτων, ώστε να ενισχυθούν οι υπηρεσίες carpooling. Η έρευνα υιοθετεί μια διττή προσέγγιση. Η πρώτη προσέγγιση περιλαμβάνει την ανάπτυξη ενός αλγορίθμου που έχει σχεδιαστεί ειδικά για την επεξεργασία και το φιλτράρισμα των αξιολογήσεων αλλαγής λωρίδας από το πλήθος. Ο αλγόριθμος αυτός αντιμετωπίζει αποτελεσματικά τις προκαταλήψεις των εργαζομένων και ανιχνεύει κακόβουλες εισροές χρησιμοποιώντας συνδυασμό γραμμικών μοντέλων και τεχνικών ασαφούς λογικής. Η δεύτερη προσέγγιση παρουσιάζει ένα ολοκληρωμένο πλαίσιο συστάσεων για κοινή χρήση οχημάτων, που ενσωματώνει δεδομένα πραγματικού χρόνου για την κυκλοφορία, προτιμήσεις χρηστών, περιβαλλοντικές επιπτώσεις και τη χρήση χωρητικότητας οχημάτων. Το πλαίσιο αυτό δοκιμάστηκε αυστηρά μέσω προσομοιώσεων με χρήση συνόλου δεδομένων που περιλαμβάνει 10.000 αστικές μετακινήσεις. Τα αποτελέσματα από τον αλγόριθμο αξιολόγησης αλλαγής λωρίδας έδειξαν σημαντική μείωση του θορύβου και βελτίωση της ποιότητας των δεδομένων, οδηγώντας σε σημαντική μείωση του σφάλματος μέσης τετραγωνικής ρίζας (RMSE) σε σύγκριση με τις βασικές μεθόδους. Αντίστοιχα, το πλαίσιο συστάσεων για κοινή χρήση οχημάτων παρουσίασε ανώτερη απόδοση σε διάφορους τομείς σε σχέση με τα υπάρχοντα μοντέλα συστάσεων για carpooling. Επέφερε σημαντική μείωση στη συνολική διανυόμενη απόσταση για τη μεταφορά όλων των επιβατών, μειώνοντας την κατανάλωση καυσίμου και τα έξοδα των επιβατών. Επιπλέον, οι οδηγοί σημείωσαν αύξηση στα κέρδη τους χάρη στη βελτιστοποιημένη αντιστοίχιση επιβατών με βάση τις κοινές προτιμήσεις και την ικανότητα του συστήματος να εξισορροπεί τη χρήση της χωρητικότητας. Παρόλο που το σύστημα σημείωσε εξαιρετική απόδοση σε αυτούς τους τομείς, υπάρχει περιθώριο βελτίωσης όσον αφορά το ποσοστό ικανοποιημένων αιτημάτων για μεταφορά. Η δυνατότητα του QE-Ride να ενσωματώνει περιβαλλοντική φιλικότητα και ασφάλεια στις συστάσεις του, ωστόσο, το καθιστά μοναδικό εργαλείο για τη βελτίωση της συνολικής εμπειρίας carpooling τόσο για επιβάτες όσο και για οδηγούς.Αυτά τα ευρήματα αναδεικνύουν τον κρίσιμο ρόλο της βελτίωσης της ποιότητας των δεδομένων και των βελτιστοποιημένων αλγορίθμων αντιστοίχισης οχημάτων σε δυναμικά συστήματα κοινής χρήσης μετακινήσεων. Οι προτεινόμενες λύσεις όχι μόνο ενισχύουν τις τεχνικές δυνατότητες αυτών των συστημάτων, αλλά παρέχουν και πρακτικές στρατηγικές για τη βελτίωση της βιωσιμότητας και της λειτουργικής αποδοτικότητας. Μελλοντική έρευνα θα μπορούσε να βελτιώσει περαιτέρω αυτές τις τεχνικές επεξεργασίας δεδομένων και να διερευνήσει την εφαρμογή τους σε άλλους τομείς των ITS.

Diese Doktorarbeit zielt darauf ab, dynamische Mitfahrsysteme (Dynamic Ridesharing Systems) zu verbessern, indem die Qualität von crowdsourcierten Daten bei teilweise objektiven Aufgaben erhöht und die Algorithmen zur Fahrzeugbewertung optimiert werden. Die Forschung adressiert wesentliche Herausforderungen in den Intelligenten Verkehrssystemen (Intelligent Transportation Systems – ITS) und konzentriert sich auf zwei kritische Bereiche: die Verfeinerung von Spurwechselbewertungen durch verbesserte Verarbeitung crowdsourcierter Daten und die Optimierung von Fahrgemeinschaftsempfehlungen zur Verbesserung von Carpooling-Diensten. Die Forschung verfolgt einen zweigleisigen Ansatz. Der erste Ansatz umfasst die Entwicklung eines Algorithmus, der speziell zur Verarbeitung und Filterung von crowdsourcierten Spurwechselbewertungen konzipiert wurde. Dieser Algorithmus adressiert effektiv Verzerrungen der Arbeiter und erkennt bösartige Eingaben durch die Kombination von linearen Modellen und Fuzzy-Logik-Techniken. Der zweite Ansatz stellt ein umfassendes Empfehlungssystem für Mitfahrgelegenheiten vor, das Echtzeit-Verkehrsdaten, Benutzerpräferenzen, Umweltfaktoren und die Auslastung der Fahrzeugkapazität integriert. Dieses Framework wurde sorgfältig durch Simulationen mit einem Datensatz von 10.000 städtischen Fahrten getestet. Die Ergebnisse des Algorithmus zur Spurwechselbewertung zeigten eine signifikante Rauschreduktion und eine Verbesserung der Datenqualität, was zu einer deutlichen Reduzierung des mittleren quadratischen Fehlers (Root Mean Square Error, RMSE) im Vergleich zu Basisverfahren führte. Ebenso zeigte das Empfehlungssystem für Mitfahrgelegenheiten in mehreren Schlüsselbereichen eine überlegene Leistung im Vergleich zu bestehenden Carpooling-Empfehlungsmodellen. Es reduzierte effektiv die insgesamt zurückgelegte Strecke, um alle Passagiere zu transportieren, was zu einem geringeren Kraftstoffverbrauch und einer entsprechenden Senkung der Fahrpreise führte. Darüber hinaus verzeichneten die Fahrer einen Gewinnanstieg dank der optimierten Zuordnung von Passagieren basierend auf gemeinsamen Präferenzen und der Fähigkeit des Systems, die Kapazitätsauslastung auszugleichen. Obwohl das System in diesen Bereichen exzellierte, gibt es noch Verbesserungsmöglichkeiten hinsichtlich des Prozentsatzes der erfüllten Fahranfragen. Dennoch hebt sich das QE-Ride-System durch seine Fähigkeit hervor, Umweltfreundlichkeit und Sicherheit in seine Empfehlungen zu integrieren, was es zu einem vielversprechenden Werkzeug macht, um die Gesamtqualität der Carpooling-Erfahrung sowohl für Passagiere als auch für Fahrer zu verbessern. Diese Ergebnisse unterstreichen die entscheidende Rolle der Verbesserung der Datenqualität und der optimierten Fahrzeugzuweisungsalgorithmen in dynamischen Mitfahrszenarien. Die vorgeschlagenen Lösungen verbessern nicht nur die technischen Fähigkeiten dynamischer Mitfahrsysteme, sondern bieten auch praktische Strategien zur Verbesserung der Nachhaltigkeit und betrieblichen Effizienz. Zukünftige Forschung könnte diese Datenverarbeitungstechniken weiter verfeinern und ihre Anwendung in anderen Bereichen der ITS untersuchen.