🔬 applied physics

Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance

Dit artikel introduceert gesloten-formule benaderingsmodellen die de theoretische minimale afstand voor het herbekken van gedeelde mobiliteitssystemen voorspellen op basis van ruimtelijke onevenwichtigheid, waarmee operatoren kostenefficiënte strategieën kunnen ontwikkelen zonder complexe lineaire programmering.

Oorspronkelijke auteurs: Wenbo Fan, Zhouyun Chen, Weihua Gu

Gepubliceerd 2026-04-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wenbo Fan, Zhouyun Chen, Weihua Gu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Verloren Fiets" Formule: Hoe je de perfecte balans vindt in de deelmobilititeit

Stel je voor dat je een gigantisch netwerk deelfietsen of deelauto's beheert in een grote stad. Er is één groot probleem: de "verloren fiets".

Mensen nemen een fiets in een drukke wijk (bijvoorbeeld bij een station) en zetten hem neer in een rustige wijk (bijvoorbeeld in een woonwijk). Na een paar uur staan er honderden fietsen in de woonwijk, maar geen enkele bij het station. De fietsen zijn "vastgelopen" op de verkeerde plek. Om dit op te lossen, moet de beheerder lege vrachtwagens sturen om de fietsen terug te brengen. Dit kost veel geld, brandstof en tijd.

De vraag die dit artikel beantwoordt is: Hoeveel kilometers moeten die lege vrachtwagens minimaal rijden om alles weer in balans te brengen?

Vroeger was dit een enorme wiskundepuzzel die supercomputers nodig hadden om op te lossen. De auteurs van dit artikel hebben een slimme, simpele formule bedacht die dit probleem oplost zonder zware computers. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Onbalans-Index": Een thermometer voor de stad

Stel je voor dat je een thermometer hebt, maar in plaats van temperatuur meet hij chaos.

Als er overal evenveel fietsen zijn als mensen die er nodig hebben, staat de thermometer op 0. Alles is perfect.
Als er in het westen alleen maar mensen zijn die weg willen, en in het oosten alleen maar mensen die aankomen, staat de thermometer op 1. Dit is maximale chaos.

De auteurs noemen dit de Onbalans-Index (I). Het is een getal dat vertelt hoe erg de situatie is, zonder dat je naar elke individuele fiets hoeft te kijken.

2. De vorm van de stad: De "Bakkerij-Regel"

Stel je voor dat je een stuk deeg hebt.

Als je het deeg in een vierkant vormt, is het makkelijk om het te verdelen.
Als je het deeg uitrekt tot een smalle strook (zoals Manhattan in New York), wordt het veel moeilijker om het van het ene uiteinde naar het andere te slepen.

De formule houdt rekening met de vorm van het gebied. Een vierkante stad is efficiënter dan een lange, smalle stad. De auteurs hebben een "vorm-factor" bedacht die dit automatiseert.

3. De Grote Formule: De "Reisafstand"

De kern van het artikel is een simpele formule die drie dingen combineert:

Hoe groot is de stad? (Hoe meer vierkante kilometers, hoe langer de reistijd).
Hoe scheef is de verdeling? (De Onbalans-Index).
Wat is de vorm? (Vierkant vs. langgerekt).

De formule zegt eigenlijk: "De totale afstand die je moet rijden is evenredig met de grootte van de stad, vermenigvuldigd met de mate van chaos, en aangepast voor de vorm."

Het is alsof je zegt: "Als je een stad hebt die twee keer zo groot is, moet je niet twee keer zo ver rijden, maar ongeveer 2,8 keer zo ver (de wortel van 2 keer 2)."

4. Twee manieren om te rijden: Het Stadsnet vs. De Vliegende Vrijheid

De auteurs hebben twee versies van de formule gemaakt:

De "Stadsnet"-versie (Manhattan-metriek): Dit is voor steden met straten die als een schaakbord lopen (zoals New York). Je kunt niet diagonaal rijden; je moet eerst naar rechts en dan omhoog. Dit is de realiteit voor auto's en fietsen.
De "Vliegende Vrijheid"-versie (Euclidische metriek): Dit is alsof je een drone bent die rechtstreeks van A naar B kan vliegen. Dit is theoretisch korter, maar nuttig als je een ondergrens wilt weten (het allerminst mogelijke).

5. De Proef in New York

Om te bewijzen dat hun formule werkt, hebben ze het getest op New York City met data van januari 2026.

Ze keken naar honderdduizenden ritjes.
Ze berekenden met een supercomputer precies hoeveel kilometers er nodig waren (de "echte" oplossing).
Vervolgens gebruikten ze hun simpele formule.

Het resultaat? De simpele formule kwam binnen 10% tot 20% van de supercomputer-berekening. Dat is verbazingwekkend nauwkeurig voor zo'n simpele formule! Het betekent dat managers niet elke dag een dure computer nodig hebben om te weten of ze genoeg vrachtwagens moeten sturen. Ze kunnen gewoon deze formule gebruiken.

Waarom is dit belangrijk?

Voor de beheerders van deelfietsen en deelauto's is dit een gouden gereedschap:

Besparen: Ze kunnen nu precies zien hoeveel geld ze besparen als ze de onbalans iets kleiner maken (bijvoorbeeld door mensen te belonen om fietsen op de juiste plek neer te zetten).
Plannen: Ze kunnen sneller beslissen of het rendabel is om een nieuwe stad te bedienen. Als de formule zegt dat de reistijden te hoog worden, is het misschien geen goed idee om daar te starten.
Snelheid: Geen wachttijd meer voor dure software. De formule is zo simpel dat je hem in je hoofd kunt doen (of in een simpele Excel-sheet).

Kortom: De auteurs hebben een ingewikkelde wiskundige puzzel omgebouwd tot een simpele "recept" voor steden. Het helpt ons begrijpen dat de grootte en de vorm van een stad net zo belangrijk zijn als de chaos van de verkeersstromen, en dat je met een simpele formule al een heel goed beeld krijgt van wat er nodig is om de stad in balans te houden.

Titel: Benaderingsmodellen voor het herbewegen van gedeelde mobiliteit onder gestructureerde ruimtelijke onevenwichtigheid

Auteurs: Wenbo Fan, Zhouyun Chen, Weihua Gu
Publicatiedatum: 6 april 2026 (arXiv)

1. Probleemstelling

Gedeelde mobiliteitssystemen (zoals autodelen, fietsdelen en ride-hailing) kampen met een fundamenteel operationeel probleem: ruimtelijke onevenwichtigheid. Voertuigen concentreren zich op populaire bestemmingen, waardoor vertrekpunten leeg raken. Om de dienstverlening op peil te houden, moeten exploitanten lege voertuigen verplaatsen (rebalancing) van gebieden met een overschot naar gebieden met een tekort.

Huidige uitdaging: Het exact berekenen van de minimale verplaatsingskosten (in voertuigkilometers, VKT) vereist het oplossen van een transport-lineair programma (LP). Voor stadsniveaus met duizenden locaties is dit computationally intractable (te zwaar) voor iteratieve planning.
Beperkingen van bestaande modellen: Bestaande analytische modellen richten zich vaak op "one-to-many" problemen (zoals het Traveling Salesman Problem) of stochastische systemen met een gemiddelde netto-voorraad van nul. Ze missen echter een gesloten vormformule voor "many-to-many" rebalancingproblemen met een gestructureerde, deterministische onevenwichtigheid tussen vraag en aanbod.

2. Methodologie

De auteurs ontwikkelen gesloten-formule benaderingsmodellen voor de minimale rebalancing-afstand in rechthoekige servicegebieden.

A. Kernconcepten

Onevenwichtigheidsindex ( $I$ ): Een scalaire maatstaf (Total Variation Distance) die de totale magnitude van het verschil tussen de oorsprongsdichtheid ( $f$ ) en de bestemmingsdichtheid ( $g$ ) kwantificeert.
$I = \frac{1}{2} \int_{\Omega} |f(x) - g(x)| dx$
$I=0$ betekent perfect evenwicht; $I=1$ betekent maximale mismatch.
Geometrie: Het servicegebied is een rechthoek met oppervlakte $R$ , lengte $L$ , breedte $W$ en een aspectratio $\kappa = L/W$ .
Afstandsmetrics:
1. Manhattan-metriek ( $L_1$ ): Geschikt voor roosterachtige wegennetwerken (stadstram).
2. Euclidische metriek ( $L_2$ ): Geschikt voor onbeperkte beweging (bijv. drones of theoretische ondergrenzen).

B. Afleiding van het Model

De auteurs gebruiken een combinatie van Beckmann's stroomherformulering en schalingsargumenten:

Decompositie: Het 2D-probleem wordt benaderd als de som van twee onafhankelijke 1D-problemen (oost-west en noord-zuid).
Schaalwet: De analyse toont aan dat de rebalancing-afstand evenredig is met:
- De onevenwichtigheidsindex ( $I$ ).
- De vierkantswortel van het oppervlak ( $\sqrt{R}$ ).
- Een vormfactor ( $g_M(\kappa)$ ) die alleen afhangt van de aspectratio.
De Unified Formule:
Voor beide metrieken geldt de volgende benadering voor de verwachte totale verplaatsingskilometers ($E[VKT]$):
$E[VKT] \approx C \cdot I \cdot (\lambda h) \cdot R^{3/2} \cdot g_M(\kappa)$
Waarbij:
- $C$ : Een kalibratieconstante (verschilt per metriek en vraagpatroon).
- $\lambda h$ : Het aantal reizen per interval.
- $g_M(\kappa) = \frac{\kappa + 1}{\sqrt{\kappa}}$ : De vormfactor.

C. Theoretische Bewijzen

Er wordt een rigoureuze bovengrens bewezen voor de Wasserstein-1 afstand ( $W_1$ ): $W_1 \leq I \cdot \sqrt{R} \cdot g_M(\kappa)$ .
Dit bevestigt dat de voorgestelde formule een geldige schaalwet is, waarbij de constante $C$ de afwijkingen door de specifieke ruimtelijke verdeling absorbeert.

3. Belangrijkste Resultaten

A. Numerieke Validatie (500 simulaties per metriek)

Nauwkeurigheid: De modellen voorspellen de exacte LP-oplossingen met hoge nauwkeurigheid.
- Manhattan-metriek: MAPE (Mean Absolute Percentage Error) van 18,9%.
- Euclidische metriek: MAPE van 25,2%.
Schaalwet-bevestiging: De exponent voor het oppervlak ( $R$ ) werd gevonden op 1,02 (theoretisch 1,0 voor $\sqrt{R}$ in de afstand, wat leidt tot $R^{3/2}$ in totale VKT), wat de theorie binnen 2% bevestigt.
Invloed van vraagpatroon: De kalibratieconstante $C$ varieert sterk afhankelijk van de ruimtelijke structuur van de vraag (bijv. uniform vs. geclusterd vs. directioneel asymmetrisch). Voor directioneel asymmetrische vraag is $C$ ongeveer drie keer zo hoog als voor uniforme vraag.

B. Empirische Casestudy: New York City (Januari 2026)

De modellen werden getest op real-world data van for-hire vehicles (FHV) in NYC (263 zones).

Scenario's:
1. Hele NYC: Vierkante benadering ( $\kappa \approx 1$ ).
2. Manhattan Island: Langwerpig ( $\kappa \approx 2,4$ ).
Resultaten:
- Het model voorspelde de dagelijkse $W_1$ waarden met een MAPE van 10,9% voor de hele stad (calibratie) en 13,8% voor validatie.
- Voor het langwerpige Manhattan-eiland was de fout iets hoger (MAPE ~30% in validatie), wat wijst op de beperkingen van een enkelvoudige scalair index bij sterk anisotrope vraagpatronen.
- Het model bevestigde dat de totale rebalancing-kosten voor NYC ongeveer 13,7 keer zo hoog zijn als voor alleen Manhattan, ondanks dat Manhattan 56% van de reizen genereert. Dit komt door de efficiëntere lokale cancellatie in het dichte Manhattan-netwerk.

4. Bijdragen en Innovatie

Gestructureerde Onevenwichtigheid: In plaats van alleen te kijken naar stochastische ruis, introduceert het artikel een index ( $I$ ) die de gestructureerde mismatch tussen vraag en aanbod kwantificeert.
Unificatie van Metrieken: Het biedt een uniek model dat zowel voor rooster- (Manhattan) als vrije (Euclidische) netwerken werkt, met een gedeelde vormfactor $g_M(\kappa)$ .
Vormfactor: Het onthult dat de geometrie van het servicegebied (aspectratio) een directe, kwantificeerbare impact heeft op de kosten, waarbij vierkante gebieden de kosten minimaliseren voor isotrope vraag.
Solver-vrije Tool: Het biedt exploitanten een rekenkundig goedkope, theoretisch onderbouwde formule om prestaties te benchmarken en operationele strategieën (zoals rebalancing-frequentie) te optimaliseren zonder zware LP-oplossers.

5. Betekenis en Toepassing

Operationeel: Exploitanten kunnen de formule gebruiken om de minimale kosten voor het herbewegen van voertuigen te schatten, de optimale rebalancing-frequentie te bepalen en de impact van prikkels om onevenwichtigheid te verminderen te kwantificeren.
Strategisch: Het biedt een snelle "go/no-go" test voor uitbreiding naar nieuwe gebieden; als een nieuw gebied niet kan presteren boven deze theoretische ondergrens, is uitbreiding mogelijk niet rendabel.
Brede Toepasbaarheid: De logica is niet beperkt tot mobiliteit, maar is ook toepasbaar op voorraadherverdeling, humanitaire hulpdistributie en magazijnrobotica.

Conclusie:
Dit artikel vult een belangrijke lacune in de literatuur door een nauwkeurige, gesloten-formule benadering te bieden voor het rebalancing-probleem in gedeelde mobiliteit. Het combineert wiskundige elegantie (via Optimal Transport theorie) met praktische validatie, waardoor het een krachtig instrument wordt voor zowel onderzoekers als beleidsmakers in de mobiliteitssector.