🔬 applied physics

Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance

Cet article présente des modèles d'approximation à forme fermée pour estimer la distance minimale de rééquilibrage des véhicules dans les systèmes de mobilité partagée, en reliant cette distance à la surface du service, à un indice d'imbalance spatiale et à la géométrie du réseau, tout en validant ces formules théoriques sur des données réelles de New York.

Auteurs originaux : Wenbo Fan, Zhouyun Chen, Weihua Gu

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Wenbo Fan, Zhouyun Chen, Weihua Gu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🚗 Le Problème : La "Tasse de Thé" Renversée

Imaginez que vous avez une ville remplie de voitures de location (comme Uber, BlaBlaCar ou des vélos en libre-service). C'est un peu comme une grande tasse de thé avec des feuilles de thé qui flottent partout.

Le problème, c'est que les gens n'utilisent pas ces véhicules de manière égale.

Le matin, tout le monde prend un véhicule pour aller au travail (le centre-ville se vide, les banlieues se remplissent).
Le soir, tout le monde rentre (l'inverse se produit).

Résultat : À un moment donné, vous avez des zones où il y a trop de voitures (elles attendent en vain) et des zones où il n'y en a pas assez (les gens attendent en vain). C'est ce qu'on appelle le déséquilibre spatial.

Pour que le système fonctionne, les opérateurs doivent envoyer des camions ou des conducteurs vides pour ramener les véhicules des zones "pleines" vers les zones "vides". Cela coûte cher en essence, en temps et en usure des véhicules.

🧮 La Question : Combien de kilomètres faut-il parcourir ?

Avant ce papier, pour savoir exactement combien de kilomètres il fallait parcourir pour rééquilibrer la ville, il fallait faire des calculs mathématiques extrêmement complexes (des "programmes linéaires"). C'était comme essayer de résoudre un puzzle de 10 000 pièces à la main : possible, mais long et épuisant, surtout pour une grande ville.

Les auteurs de ce papier se sont demandé : "Peut-on trouver une formule simple, comme une recette de cuisine, pour estimer ce coût sans avoir à résoudre tout le puzzle ?"

📐 La Solution : La "Recette" Magique

Ils ont créé deux formules simples (des modèles d'approximation) qui fonctionnent comme une boussole pour les opérateurs. Voici les ingrédients de leur recette :

La Taille de la Ville (La Surface) : Plus la ville est grande, plus il faut parcourir de distance. Mais pas n'importe comment : si vous doublez la taille de la ville, la distance de rééquilibrage ne double pas, elle augmente un peu moins (selon la racine carrée). C'est comme si, dans un grand jardin, les fleurs étaient plus espacées, donc il faut marcher plus loin pour les arroser, mais pas proportionnellement à la surface totale.
La Forme de la Ville (Le Rectangle) : Une ville carrée est plus efficace qu'une ville très allongée (comme un ruban).
- Analogie : Imaginez que vous devez déplacer des meubles. Dans un salon carré, vous pouvez aller dans toutes les directions facilement. Dans un couloir très long et étroit, si vous devez aller d'un bout à l'autre, vous êtes obligé de tout faire en ligne droite, ce qui est moins efficace pour gérer des mouvements complexes. La formule inclut un "facteur de forme" pour corriger cela.
Le Déséquilibre (L'Index de Déséquilibre) : C'est la mesure de "combien les feuilles de thé sont mal réparties". Si tout le monde va au même endroit, le déséquilibre est maximal. Si les gens vont un peu partout de manière égale, le déséquilibre est faible.

🏙️ Le Test : New York en Janvier 2026

Pour vérifier si leur recette fonctionnait vraiment, ils l'ont testée sur des données réelles de New York (les taxis et VTC de janvier 2026).

Le résultat : Leur formule simple était étonnamment précise ! Elle donnait des résultats très proches des calculs complexes (qui prennent des heures à faire), mais en une fraction de seconde.
La découverte : Ils ont vu que dans Manhattan (très dense et allongée), le système est très efficace car les trajets sont courts et locaux. Mais si on regarde toute la région de New York (plus large), la distance moyenne à parcourir pour rééquilibrer augmente.

💡 Pourquoi est-ce utile ? (La Morale de l'histoire)

Ce papier est comme un outil de prévision météo pour les opérateurs de transport.

Au lieu de devoir engager des super-ordinateurs pour calculer chaque jour le meilleur plan de rééquilibrage, un directeur d'entreprise peut utiliser cette formule simple pour :

Estimer les coûts : "Si je lance mon service dans cette nouvelle ville, combien vais-je dépenser en essence pour déplacer les véhicules ?"
Optimiser la forme : "Est-ce que je devrais diviser ma ville en carrés plus petits pour réduire les coûts ?"
Prendre des décisions rapides : Savoir si un nouveau service est rentable avant même de lancer les premiers véhicules.

En résumé : Les chercheurs ont transformé un problème mathématique effrayant (comment déplacer des milliers de points d'un endroit à l'autre le plus efficacement possible) en une règle simple : "La distance dépend de la taille de la ville, de sa forme et de l'ampleur du désordre." C'est une victoire de la simplicité sur la complexité !

1. Problématique

Les systèmes de mobilité partagée (vélos en libre-service, voitures partagées, VTC) souffrent d'un déséquilibre spatial persistant : les véhicules s'accumulent aux destinations populaires, laissant les points de départ en pénurie. Pour maintenir une efficacité opérationnelle, les opérateurs doivent repositionner les véhicules vides des zones excédentaires vers les zones déficitaires.

Le défi principal réside dans le calcul du coût théorique minimum de ce repositionnement (distance totale parcourue par les véhicules vides, ou VKT). Le calcul exact nécessite de résoudre un programme linéaire de transport (problème de la distance de Wasserstein-1 ou Earth Mover's Distance - EMD), dont la complexité computationnelle est élevée ( $O(n^3 \log n)$ ), rendant l'approche inapplicable pour la planification à l'échelle d'une ville ou pour des boucles d'optimisation itératives. Il existe un besoin critique de modèles d'approximation en forme fermée (closed-form) pour estimer rapidement ce coût minimum.

2. Méthodologie

Les auteurs proposent des modèles d'approximation analytique pour la distance minimale de rééquilibrage dans des régions de service rectangulaires.

A. Définitions et Notations

Région de service : Un rectangle $\Omega$ de surface $R$ , de longueur $L$ et de largeur $W$ , avec un rapport d'aspect $\kappa = L/W$ .
Indice de déséquilibre ( $I$ ) : Une mesure scalaire définie comme la distance de variation totale entre la densité de départ (offre) $f(x)$ et la densité d'arrivée (demande) $g(x)$ :
$I = \frac{1}{2} \int_{\Omega} |f(x) - g(x)| dx$
Cet indice capture l'amplitude du déséquilibre structurel (de 0 pour un équilibre parfait à 1 pour un désalignement total).
Métriques : Le modèle est développé pour deux métriques de distance :
1. Manhattan ( $L_1$ ) : Adaptée aux réseaux routiers en grille (déplacements orthogonaux).
2. Euclidienne ( $L_2$ ) : Adaptée aux mouvements non contraints (ou comme borne inférieure théorique).

B. Dérivation du Modèle

L'approche repose sur la reformulation du problème de transport optimal en un problème de flux continu (formulation de Beckmann).

Décomposition de l'espace : Pour la métrique Manhattan, le problème 2D est approximé par la somme de deux problèmes 1D indépendants (axe Est-Ouest et axe Nord-Sud).
Analyse dimensionnelle et mise à l'échelle : En supposant que le profil de flux est linéaire et que le déséquilibre est réparti de manière symétrique, les auteurs démontrent que la distance de rééquilibrage par véhicule ( $W_1$ $W_{1}$ ) est proportionnelle à :
- L'indice de déséquilibre $I$ .
- La dimension linéaire de la région (somme $L+W$ ).
Facteur de forme : En exprimant $L$ et $W$ en fonction de la surface $R$ et du rapport d'aspect $\kappa$ , la somme $L+W$ devient $\sqrt{R} \cdot g_M(\kappa)$ , où $g_M(\kappa) = \frac{\kappa + 1}{\sqrt{\kappa}}$ .
Formules finales :
- Manhattan : $W_1^M \approx C_M \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$
- Euclidienne : $W_1^E \approx C_E \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$
- Le coût total de rééquilibrage (VKT) s'obtient en multipliant par le nombre de trajets $N$ .

Les constantes de calibration $C_M$ et $C_E$ sont déterminées empiriquement. Une relation théorique est également établie : $C_E \approx \frac{\pi}{4} C_M$ , basée sur la géométrie isotrope des déplacements.

3. Contributions Clés

Indice de déséquilibre structuré : Introduction d'un indice scalaire $I$ qui condense la complexité des distributions de demande en une seule quantité interprétable, distincte des modèles stochastiques précédents qui ne traitaient que de la variance locale.
Modèles unifiés en forme fermée : Dérivation de formules analytiques simples reliant le coût de rééquilibrage à la surface, à la forme de la région et à l'intensité du déséquilibre, valables pour les métriques Manhattan et Euclidienne.
Preuve de borne supérieure : Établissement d'une borne supérieure rigoureuse pour la distance de Wasserstein-1, démontrant que le modèle d'approximation reste dans des limites théoriques strictes.
Validation extensive : Calibration et validation sur 500 instances exactes par métrique (résolution de programmes linéaires) et application à un cas réel.

4. Résultats

A. Étude Numérique (Simulation)

Précision : Les modèles calibrés reproduisent les solutions exactes de programmes linéaires avec une grande précision.
- Erreur absolue moyenne (MAPE) : ~18,9 % pour Manhattan, ~25,2 % pour Euclidienne.
- Le coefficient de détermination $R^2$ (échelle logarithmique) dépasse 0,89.
Exposants de mise à l'échelle : La validation confirme que le coût total de VKT évolue proportionnellement à $R^{3/2}$ (car $N \propto R$ et la distance moyenne $\propto \sqrt{R}$ ), validant la loi d'échelle théorique à moins de 2 %.
Robustesse : Le modèle fonctionne bien pour différentes distributions de demande (uniforme, groupée, asymétrique), bien que la constante de calibration $C$ varie selon le type de demande (plus élevée pour les demandes directionnelles fortes).

B. Étude de Cas : New York City (Janvier 2026)

Données : Utilisation des données réelles de véhicules de location (FHV) sur 263 zones de trafic.
Scénarios : Comparaison entre la zone des cinq arrondissements (NYC) et l'île de Manhattan uniquement.
Performance :
- Pour l'ensemble de NYC, le modèle atteint un MAPE de 10,9 % sur la période de calibration et 13,8 % en validation.
- Pour Manhattan, l'erreur est plus élevée (MAPE ~30 % en validation), principalement due à la structure spatiale très spécifique et aux variations journalières extrêmes (ex: tempête de neige, Nouvel An) que l'indice scalaire $I$ ne capture pas entièrement.
Insight Opérationnel : Le modèle prédit un coût minimum théorique de rééquilibrage d'environ 238 000 km/jour pour l'ensemble de NYC, contre seulement 17 350 km/jour pour Manhattan. Cela illustre l'efficacité des cancellations locales dans les zones denses et la forte dépendance à la surface ( $\sqrt{R}$ ).

5. Signification et Implications

Outil de décision sans solveur : Ces modèles offrent aux opérateurs et concepteurs de systèmes un outil rapide et théoriquement fondé pour évaluer les performances de rééquilibrage sans avoir à résoudre des problèmes d'optimisation lourds à chaque fois.
Optimisation de la conception : La présence du facteur de forme $g_M(\kappa)$ démontre que la géométrie de la zone de service impacte directement le coût. Pour une demande isotrope, une forme carrée ( $\kappa=1$ ) minimise le coût de rééquilibrage.
Planification stratégique : Le modèle permet de quantifier l'impact de politiques de gestion de la demande (réduire $I$ ) ou de la fréquence de rééquilibrage ( $h$ ) sur les coûts opérationnels.
Généralité : La logique d'approximation s'applique au-delà de la mobilité partagée, notamment pour la répartition des stocks, la logistique humanitaire et la coordination de robots dans les entrepôts.

En conclusion, cet article comble un vide important entre la théorie du transport optimal (trop complexe pour le temps réel) et les heuristiques pratiques, fournissant des lois d'échelle robustes pour la gestion des flottes de mobilité partagée.