🔬 applied physics

Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance

यह शोध पत्र स्थानिक असंतुलन के तहत साझा गतिशीलता प्रणालियों (शेयर्ड मोबिलिटी सिस्टम्स) के लिए न्यूनतम पुनर्संतुलन दूरी का अनुमान लगाने वाले क्लोज्ड-फॉर्म सन्निकटन मॉडल (क्लोज्ड-फॉर्म एप्रोक्सिमेशन मॉडल्स) को व्युत्पन्न और मान्य करता है, जो ऑपरेटरों को आदर्श ग्रिड नेटवर्क और वास्तविक दुनिया के बाधित वातावरण दोनों में प्रदर्शन को बेंचमार्क करने और सेवा रणनीतियों को अनुकूलित करने के लिए एक सॉल्वर-मुक्त, सैद्धांतिक रूप से सुदृढ़ उपकरण प्रदान करता है।

मूल लेखक: Wenbo Fan, Zhouyun Chen, Weihua Gu

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wenbo Fan, Zhouyun Chen, Weihua Gu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक ऐसे शहर की कल्पना करें जो साझा स्कूटर्स, साइकिलों या राइड-हेलिंग कारों से भरा हुआ है। आप सुबह एक कॉफी शॉप से एक वाहन उठाते हैं, काम पर जाते हैं और उसे छोड़ देते हैं। लेकिन समस्या यह है कि दोपहर तक, सभी स्कूटर ऑफिस पार्क में फंस जाते हैं, और कॉफी शॉप खाली हो जाती है। इस बीच, कॉफी शॉप पर मौजूद लोग सवारी नहीं ढूंढ पाते।

यह स्थानिक असंतुलन (Spatial Imbalance) है। वाहन गलत जगहों पर हैं। इसे ठीक करने के लिए, कंपनी को वाहनों को वापस वहां ले जाने के लिए खाली ट्रक या ड्राइवर भेजने पड़ते हैं जहां उनकी आवश्यकता है। यह "रीबैलेंसिंग" (rebalancing) बहुत पैसा और ईंधन खर्च करती है।

बड़ा सवाल इन कंपनियों के लिए यह है: "इस गड़बड़ी को ठीक करने के लिए हमें कितनी दूर तक गाड़ी चलानी ही पड़ेगी?"

आमतौर पर, इसे समझने के लिए एक सुपर-कंप्यूटर की आवश्यकता होती है ताकि एक विशाल गणितीय पहेली (जिसे लीनियर प्रोग्राम कहा जाता है) को हल किया जा सके, जो शहर के हर एक सफर का विश्लेषण करती है। यह धीमा, महंगा और त्वरित योजना बनाने के लिए कठिन है।

यह शोध पत्र एक सरल शॉर्टकट प्रदान करता है। लेखकों ने एक "बैक-ऑफ-द-एनवेलप" (तुरंत गणना करने योग्य) फॉर्मूला बनाया है जो सुपर-कंप्यूटर की आवश्यकता के बिना, बेड़े (fleet) को संतुलित करने के लिए आवश्यक न्यूनतम दूरी की भविष्यवाणी करता है।

यहाँ उनकी खोज का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. फॉर्मूला के तीन मुख्य घटक

लेखकों ने पाया कि असंतुलन को ठीक करने के लिए आवश्यक कुल ड्राइविंग दूरी तीन मुख्य चीजों पर निर्भर करती है:

"गड़बड़ी" का स्कोर (Imbalance Index): कल्पना करें कि आपके पास लाल ब्लॉक (गलत जगह पर कारें) और नीले ब्लॉक (खाली स्थान) हैं। "गड़बड़ी स्कोर" बस यह गिनता है कि नीले ब्लॉकों की तुलना में कितने लाल ब्लॉक हैं। यदि शहर पूरी तरह से संतुलित है, तो स्कोर शून्य है। यदि हर कार गलत पड़ोस में है, तो स्कोर अधिक है।
- उपमा: इसे एक बिखरे हुए कंचों (marbles) के जार की तरह समझें। यदि आधे फर्श पर हैं और आधे जार में, तो "गड़बड़ी" बहुत बड़ी है। यदि वे सभी जार में हैं, तो गड़बड़ी शून्य है।
शहर का आकार (Area): ज़ाहिर है, एक बड़ा शहर मतलब लंबी ड्राइव। लेकिन यह एक सीधी रेखा नहीं है। यदि आप शहर का आकार दोगुना करते हैं, तो ड्राइविंग दूरी केवल दोगुनी नहीं होती; यह क्षेत्रफल के वर्गमूल (square root) के कारक से बढ़ती है।
- उपमा: यदि आपके पास एक छोटा वर्गाकार बगीचा है और आप उसका आकार दोगुना कर देते हैं, तो आपको उसे पार करने के लिए दोगुना चलने की आवश्यकता नहीं होती; आपको केवल लगभग 1.4 गुना अधिक चलना होगा।
शहर का आकार (Aspect Ratio): क्या शहर एक सटीक वर्ग है, या यह एक लंबी, पतली पट्टी है (जैसे मैनहट्टन द्वीप)?
- उपमा: कल्पना करें कि आप फर्नीचर हटा रहे हैं। एक लंबे, संकीले गलियारे की तुलना में एक चौकोर कमरे में सामान ले जाना आसान होता है। एक वर्गाकार शहर रीबैलेंसिंग के लिए सबसे कुशल आकार है। एक लंबा, पतला शहर वाहनों को एक छोर से दूसरे छोर तक जाने के लिए बहुत अधिक दूरी तय करने के लिए मजबूर करता है।

2. गाड़ी चलाने के दो तरीके (मैनहट्टन बनाम यूक्लिडियन)

पेपर में दो संस्करण दिए गए हैं, जो इस बात पर निर्भर करते हैं कि वाहन कैसे चलते हैं:

"टैक्सी" संस्करण (Manhattan Metric): न्यूयॉर्क जैसे शहरों में, आप इमारतों के बीच से तिरछा (diagonally) नहीं जा सकते। आपको ग्रिड का पालन करना होगा (उत्तर/दक्षिण, फिर पूर्व/पश्चिम)। फॉर्मूला इस "ब्लॉक-दर-ब्लrok" ड्राइविंग को ध्यान में रखता है।
"ड्रोन" संस्करण (Euclidean Metric): कल्पना करें कि वाहन सीधे रेखा में उड़ सकते हैं (जैसे ड्रोन या झील पर नाव)। यह सैद्धांतिक रूप से सबसे कम दूरी है। पेपर दिखाता है कि भले ही ड्रोन सीधे उड़ते हैं, पूरे सिस्टम को संतुलित करने के लिए आवश्यक कुल दूरी de आश्चर्यजनक रूप से टैक्सी संस्करण के समान ही होती है, बस थोड़ी कम होती है।

3. "शेप फैक्टर" (Shape Factor)

लेखकों ने महसूस किया कि शहर का आकार एक मल्टीप्लायर (गुणक) के रूप में कार्य करता है।

वर्गाकार शहर: मल्टीप्लायर सबसे कम है (सबसे कुशल)।
लंबा/पतला शहर: मल्टीप्लायर अधिक हो जाता है (कम कुशल)।
रूपक: शेप फैक्टर को "ट्रैफिक टैक्स" के रूप में सोचें। यदि आपका शहर एक लंबा, पतला आयत है, तो आप एक "शेप टैक्स" चुकाते हैं क्योंकि वाहनों को लंबी तरफ को पार करने के लिए बहुत दूर तक यात्रा करनी पड़ती है।

4. यह क्यों मायने रखता है (वास्तविक दुनिया का परीक्षण)

लेखकों ने केवल कागज पर गणित नहीं किया। उन्होंने अपने फॉर्मूले का परीक्षण किया:

यादृच्छिक (random) शहरों के 500 कंप्यूटर सिमुलेशन के विरुद्ध।
न्यूयॉर्क शहर के वास्तविक डेटा (जनवरी 2026 का डेटा) के विरुद्ध।

परिणाम:
फॉर्मूला आश्चर्यजनक रूप से सटीक था। इसने सटीक, सुपर-कंप्यूटर गणना के भीतर लगभग 10-20% के भीतर ड्राइविंग दूरी की भविष्यवाणी की।

यह बड़ा मुद्दा क्यों है? क्योंकि घंटों तक कंप्यूटर द्वारा पहेली सुलझाने का इंतजार करने के बजाय, एक शहर योजनाकार अब कैलकुलेटर उठा सकता है, शहर के आकार और रूप को दर्ज कर सकता है, और कुछ ही सेकंडों में एक बहुत अच्छा उत्तर प्राप्त कर सकता है।

5. कंपनियाँ क्या कर सकती हैं?

यह फॉर्मूला एक "नियम" है जो ऑपरेटरों को बेहतर निर्णय लेने में मदद करता है:

सेवा क्षेत्रों को डिजाइन करना: यदि आप किसी नए शहर में बाइक-शेयर शुरू कर रहे हैं, तो केवल एक यादृच्छिक आकार न चुनें। अपने सेवा क्षेत्र को जितना संभव हो सके वर्गाकार बनाने का प्रयास करें ताकि रीबैलेंसिंग पर पैसा बचा सके।
कीमत और प्रोत्साहन (Pricing and Incentives): यदि आप जानते हैं कि "गड़बड़ी स्कोर" अधिक है, तो आप जानते हैं कि आप रीबैलेंसिंग पर बहुत खर्च करेंगे। आप उन यात्रियों को छूट दे सकते हैं जो "अधिशेष" (surplus) क्षेत्र से "कमी" (deficit) वाले क्षेत्र की ओर जाते हैं, ताकि स्वाभाविक रूप से समस्या को ठीक किया जा सके।
बजट बनाना: कंपनियाँ खाली वाहनों को स्थानांतरित करने के लिए अपने ईंधन और श्रम लागत का अनुमान लगाने के लिए हर दिन जटिल सिमुलेशन चलाने के बजाय जल्दी से अनुमान लगा सकती हैं।

सारांश

यह शोध पत्र अनिवार्य रूप से साझा गतिशीलता (shared mobility) के लिए एक नया रूलर (मापक) है। हर एक वाहन द्वारा लिए गए हर कदम को मापने की कोशिश करने के बजाय (जो वास्तविक समय में पूरी तरह से करना असंभव है), यह फॉर्मूला आपको बताता है कि शहर कितना बड़ा है, मांग कितनी "गड़बड़" है, और शहर का आकार क्या है। यह एक जटिल, महंगे गणितीय समस्या को एक सरल, उपयोगी उपकरण में बदल देता है जिसे कोई भी साझा मोबिलिटी सेवा चला रहा व्यक्ति उपयोग कर सकता है।

यहाँ शोध पत्र "Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

साझा गतिशीलता प्रणालियाँ (जैसे बाइक-शेयर, कार-शेयर, राइड-हेलिंग) निरंतर स्थानिक असंतुलन (spatial imbalances) से ग्रस्त रहती हैं। वाहन लोकप्रिय ड्रॉप-ऑफ स्थलों पर जमा हो जाते हैं, जिससे ट्रिप ओरिजिन्स (trip origins) में आपूर्ति की कमी हो जाती है। ऑपरेटरों को संतुलन बहाल करने के लिए खाली वाहनों को पुनर्गठित (reposition) करना पड़ता है, जिससे परिचालन लागत (वाहन किलोमीटर traveled, VKT) में वृद्धि होती है।

चुनौती: न्यूनतम रीबैलेंसिंग लागत की गणना करने के लिए अर्थ मूवर्स डिस्टेंस (Wasserstein-1 distance, $W_1$ ) पर आधारित एक ट्रांसपोर्टेशन लीनियर प्रोग्राम (LP) को हल करना आवश्यक है। हजारों ज़ोन वाले शहर-स्तरीय नेटवर्क के लिए, यह कम्प्यूटेशनल रूप से अत्यधिक कठिन ( $O(N^3 \log N)$ जटिलता) है, जो इसे पुनरावृत्ति नियोजन (iterative planning) या वास्तविक समय के बेंचमार्किंग के लिए अनुपयुक्त बनाता है।
अंतराल (The Gap): मौजूदा विश्लेषणात्मक मॉडल (जैसे ट्रैवलिंग सेल्समैन समस्याओं के लिए) 'मैनी-टू-मैनी' (many-to-many) रीबैलेंसिंग सेटिंग पर लागू नहीं होते हैं। पिछले स्टोकेस्टिक मॉडल अक्सर शून्य-माध्य (zero-mean) शुद्ध आपूर्ति मानते हैं, जो संरचित स्थानिक असंतुलन (structured spatial imbalance) (ओरिजिन और डेस्टिनेशन डेंसिटी के बीच व्यवस्थित बेमेल) को पकड़ने में विफल रहते हैं।
उद्देश्य: आयताकार सेवा क्षेत्रों में न्यूनतम रीबैलेंसिंग दूरी के लिए क्लोज्ड-फॉर्म एप्रोक्सिमेशन मॉडल (closed-form approximation models) प्राप्त करना, जो कम्प्यूटेशनल रूप से कुशल, सैद्धांतिक रूप से सुदृढ़ और परिचालन नियोजन के लिए पर्याप्त सटीक हों।

2. कार्यप्रणाली (Methodology)

2.1. समस्या का निरूपण (Problem Formulation)

लेखक एक आयताकार क्षेत्र $\Omega = [0, L] \times [0, W]$ में संचालित होने वाली साझा गतिशीलता प्रणाली का मॉडल तैयार करते हैं, जिसका क्षेत्रफल $R = LW$ और आस्पेक्ट रेश्यो (aspect ratio) $\kappa = L/W$ है।

इनपुट: ओरिजिन डेंसिटी $f(x)$ और डेस्टिनेशन डेंसिटी $g(x)$ ।
इम्बैलेंस इंडेक्स ( $I$ ): इसे $f$ और $g$ के बीच टोटल वेरिएशन डिस्टेंस के रूप में परिभाषित किया गया है:
$I = \frac{1}{2} \int_{\Omega} |f(x) - g(x)| dx$
यह स्केलर बेमेल की मात्रा को मापता है ( $I=0$ पूर्ण संतुलन है; $I=1$ पूर्ण विच्छेद है)।
मेट्रिक: समस्या को दो मेट्रिक्स के तहत कुल दूरी को कम करने वाले ऑप्टिकल ट्रांसपोर्ट समस्या के रूप में तैयार किया गया है:
1. मैनहट्टन ( $L_1$ ): ग्रिड रोड नेटवर्क के लिए।
2. यूक्लिडियन ( $L_2$ ): अनकन्स्ट्रेंड मूवमेंट (सैद्धांतिक निचली सीमा) के लिए।

2.2. एप्रोक्सिमेशन मॉडल्स का व्युत्पत्ति (Derivation of Approximation Models)

लेखक बेकमैन के फ्लो रिफॉर्मुलेशन (Beckmann's flow reformulation) का उपयोग करके दोनों मेट्रिक्स के लिए एकीकृत मॉडल निकालते हैं, जो डिस्क्रीट LP को निरंतर वेक्टर फ्लक्स मिनिमाइजेशन समस्या में बदल देता है।

मैनहट्टन मॉडल ( $L_1$ ):
- 2D समस्या को अक्षों (axes) पर इम्बैलेंस डेंसिटी को प्रोजेक्ट करके दो स्वतंत्र 1D उप-समस्याओं (पूर्व-पश्चिम और उत्तर-दक्षिण) में विभाजित किया जाता है।
- स्केलिंग तर्क और डायमेंशनल एनालिसिस का उपयोग करते हुए, प्रति-वाहन रीबैलेंसिंग दूरी को दिखाया गया है कि यह इम्बैलेंस इंडेक्स $I$ , क्षेत्रफल के वर्गमूल $\sqrt{R}$ , और आस्पेक्ट रेश्यो पर निर्भर आकार कारक (shape factor) के साथ स्केल करती है।
- फॉर्मूला: $W_1^M \approx C_M \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$
- जहाँ $g_M(\kappa) = \frac{\kappa + 1}{\sqrt{\kappa}}$ एक शेप फैक्टर है।
यूक्लिडियन मॉडल ( $L_2$ ):
- इम्बैलेंस फील्ड के फूरियर मोड विश्लेषण (Fourier mode analysis) का उपयोग करके व्युत्पन्न किया गया है। लागत मुख्य रूप से दो निम्न-क्रम मोड (पूर्व-पश्चिम और उत्तर-दक्षिण) द्वारा नियंत्रित होती है।
- यह मॉडल मैनहट्टन मॉडल के समान ही संरचनात्मक रूप और शेप फैक्टर को विरासत में लेता है, लेकिन इसमें एक अलग कैलिब्रेशन कांस्टेंट होता है।
- फॉर्मूला: $W_1^E \approx C_E \cdot I \cdot \sqrt{R} \cdot g_M(\kappa)$
एकीकृत कुल लागत (Unified Total Cost):
$N$ ट्रिप्स के लिए कुल रीबैलेंसिंग VKT है:
$E[VKT] \approx C \cdot I \cdot (\lambda h) \cdot R^{3/2} \cdot g_M(\kappa)$
इसका तात्पर्य है कि VKT $R^{3/2}$ के साथ स्केल करता है (ट्रिप्स की रैखिक वृद्धि $\times$ $\sqrt{R}$ दूरी में वृद्धि)।

2.3. सैद्धांतिक सीमाएँ (Theoretical Bounds)

यह शोध पत्र Wasserstein-1 दूरी के लिए एक कठोर अपर बाउंड (upper bound) सिद्ध करता है:
$W_1(f, g) \leq I \cdot \sqrt{R} \cdot g_M(\kappa)$
यह पुष्टि करता है कि व्युत्पन्न एप्रोक्सिमेशन मॉडल (जहाँ $C \in (0, 1]$ ) भौतिक रूप से मान्य हैं और सिस्टम की ज्यामिति एवं इम्बैलेंस की मात्रा द्वारा सीमित हैं।

3. प्रमुख योगदान (Key Contributions)

स्केलर इम्बैलेंस इंडेक्स: संरचित स्थानिक बेमेल को मापने के लिए एक एकीकृत मेट्रिक के रूप में $I$ का परिचय।
क्लोज्ड-फॉर्म एप्रोक्सिमेशन: एकीकृत मॉडल जो सेवा क्षेत्र के आकार ( $R$ ), आकार ( $\kappa$ ), और इम्बैलेंस की मात्रा ( $I$ ) को स्पष्ट रूप से शामिल करते हैं।
शेप फैक्टर ( $g_M$ ): फंक्शन $g_M(\kappa) = (\kappa + 1)/\sqrt{\kappa}$ की पहचान, जो यह सिद्ध करता है कि वर्गाकार क्षेत्र ( $\kappa=1$ ) मेट्रिक की परवाह किए बिना रीबैलेंसिंग लागत को कम करते हैं, जबकि लंबे (elongated) क्षेत्र लागत बढ़ाते हैं।
कठोर सत्यापन: मॉडलों को प्रत्येक मेट्रिक के लिए 500 सटीक LP समाधानों और एक वास्तविक केस स्टडी के विरुद्ध सत्यापित किया गया है।

4. परिणाम और सत्यापन (Results and Validation)

4.1. संख्यात्मक अंशांकन (सिंथेटिक डेटा) (Numerical Calibration)

डेटासेट: विभिन्न क्षेत्रों, आस्पेक्ट रेश्यो और मांग वितरणों (यूनिफॉर्म, क्लस्टर्ड, डायरेक्शनल) के साथ प्रति मेट्रिक 500 रैंडम इंस्टेंस।
कैलिब्रेशन कांस्टेंट्स:
- मैनहट्टन: $\hat{C}_M \approx 0.144$
- यूक्लिडियन: $\hat{C}_E \approx 0.119$
- अनुपात $\hat{C}_E / \hat{C}_M \approx 0.825$ सैद्धांतिक आइसोट्रोपिक भविष्यवाणी $\pi/4 \approx 0.785$ के करीब है।
सटीकता:
- मैनहट्टन: MAPE = 18.9%, $R^2_{log} = 0.922$ ।
- यूक्लिडियन: MAPE = 25.2%, $R^2_{log} = 0.897$ ।
स्केलिंग एक्सपोनेंट्स: $\sqrt{R}$ के लिए फिटेड एक्सपोनेंट $\approx 1.02$ है, जो कुल VKT के लिए सैद्धांतिक $R^{3/2}$ स्केलिंग की पुष्टि करता है। $I$ के लिए एक्सपोनेंट सब-लीनियर ( $\approx 0.8$ ) है, जो दर्शाता है कि अत्यधिक केंद्रित इम्बैलेंस स्थानिक प्रसार प्रभावों के कारण रैखिक रूप से स्केल नहीं होते हैं।

4.2. मजबूती (Robustness)

मॉडल की संरचना विभिन्न मांग पैटर्न (यूनिफॉर्म, स्थानिक रूप से क्लस्टर्ड, दिशात्मक एसिमेट्रिक) में मजबूत बनी रहती है। हालांकि, कैलिब्रेशन कांस्टेंट $C$ विशिष्ट मांग पैटर्न के लिए काफी भिन्न होता है (यूनिफॉर्म के लिए ~0.12 से लेकर अत्यधिक दिशात्मक मांग के लिए ~0.40 तक), जो यह दर्शाता है कि मांग की संरचना स्थानीय रद्दीकरण (local cancellations) की दक्षता को कैसे प्रभावित करती है।

4.3. केस स्टडी: न्यूयॉर्क सिटी (जनवरी 2026)

डेटा: 263 ज़ोनों में 31 दिनों का फॉर-हायर व्हीकल (FHV) ट्रिप डेटा।
परिदृश्य:
1. NYC (सभी बोरो): लगभग वर्गाकार ज्यामिति ( $\kappa \approx 1.06$ )।
2. मैनहट्टन आइलैंड: लंबा (elongated) ज्यामिति ( $\kappa \approx 2.39$ )।
निष्कर्ष:
- मॉडल OSM रोड नेटवर्क पर सटीक LP समाधानों का उपयोग करके दैनिक $W_1$ मानों की सफलतापूर्वक भविष्यवाणी करता है।
- NYC: कैलिब्रेशन MAPE = 10.9%, वैलिडेशन MAPE = 13.8%।
- मैनहट्टन: उच्च त्रुटि (वैलिडेशन MAPE = 30.2%) के कारण, जो कम्यूट फ्लो की अत्यधिक दिशात्मक प्रकृति के कारण है जो बेस मॉडल की आइसोट्रोपिक धारणाओं से विचलित होती है।
- स्केलिंग पुष्टि: दोनों परिदृश्यों के बीच रीबैलेंसिंग दूरी का अनुपात $\sqrt{R}$ स्केलिंग भविष्यवाणी के अनुरूप है।
- VKT अनुमान: मॉडल NYC के लिए 238,000 किमी/दिन के सैद्धांतिक न्यूनतम खाली वाहन यात्रा का अनुमान लगाता है, जो परिचालन दक्षता के लिए एक बेंचमार्क प्रदान करता है।

5. महत्व और निहितार्थ (Significance and Implications)

परिचालन बेंचमार्किंग: ऑपरेटरों को उनके रीबैलेंसिंग प्रदर्शन को बेंचमार्क करने के लिए एक सॉल्वर-मुक्त (solver-free) टूल प्रदान करता है। यदि कोई अनुकूलन एल्गोरिदम इस सूत्र द्वारा अनुमानित सैद्धांतिक न्यूनतम को नहीं हरा सकता है, तो विस्तार या रणनीति अव्यवहार्य हो सकती है।
रणनीतिक योजना:
- ज़ोन डिज़ाइन: यह पुष्टि करता है कि सेवा क्षेत्रों को वर्गाकार उप-क्षेत्रों में विभाजित करने से रीबैलेंसिंग लागत कम होती है।
- फ्रीक्वेंसी ऑप्टिमाइजेशन: रीपोजीशनिंग लागत और सेवा गुणवत्ता के बीच संतुलन बनाकर इष्टतम रीबैलेंसिंग फ्रीक्वेंसी ( $h$ ) की गणना करने में सक्षम बनाता है।
- नीति प्रभाव: यह मात्रात्मक रूप से बताता है कि प्रोत्साहन कार्यक्रम जो इम्बैलेंस इंडेक्स $I$ को कम करते हैं, वे सीधे तौर पर रीबैलेंसिंग VKT को कैसे कम करते हैं।
सामान्यीकरण: मॉडल का विश्लेषणात्मक तर्क मोबिलिटी से परे इन्वेंट्री रीपोजीशनिंग, मानवीय राहत और वेयरहाउस रोबोटिक्स तक विस्तृत है, जो बड़े पैमाने पर अनुकूलन समस्याओं को हल किए बिना मांग विषमता, ज्यामिति और स्थानांतरण लागत को जोड़ने का एक तरीका प्रदान करता है।

6. सीमाएँ और भविष्य का कार्य (Limitations and Future Work)

स्केलर सीमा: इंडेक्स $I$ परिमाण को पकड़ता है लेकिन विशिष्ट स्थानिक व्यवस्था को नहीं। विशिष्ट मांग पैटर्न के लिए स्थिरांक $C$ को अनुभवजन्य रूप से कैलिब्रेट किया जाना चाहिए।
ज्यामिति: व्युत्पत्ति आयताकार क्षेत्रों को मानती है; भविष्य के कार्य अनियमित बहुभुजों (irregular polygons) तक विस्तार कर सकते हैं।
पैमाने की अर्थव्यवस्था (Economies of Scale): वर्तमान मॉडल मानता है कि लागत दूरी और द्रव्यमान के साथ रैखिक है। भविष्य के कार्य पदानुक्रमित रीपोजीशनिंग (जैसे बल्क मूव्स के लिए ट्रक) को शामिल कर सकते हैं ताकि सब-एडिटिव लागतों को मॉडल किया जा सके।