Stock photo
La Ville de New York pourrait fonctionner avec pas plus de quelques milliers de taxis ou des manèges si nous avons pris le covoiturage plus sérieusement, les chercheurs ont suggéré.
Lorsque les navetteurs de la part de leurs promenades à travers le covoiturage, le coût de transport réduit et il y a potentiellement moins de voitures sur la route, ce qui peut provoquer une augmentation de la congestion et de la pollution.
Moderne ride-originaire de services, y compris Uber et Lyft, dans lequel les passagers peuvent grêle une balade à travers les appareils mobiles et aussi de partager son véhicule avec d’autres, ont suscité la controverse et sont souvent moins populaire traditionnelle des entreprises de taxi, mais les chercheurs disent que ces services puissent avoir un impact réel sur la façon dont de nombreux véhicules sont nécessaires sur nos routes de la ville.
Actuellement, la Ville de New York a publié près de 14 000 officielle de taxi médaillon de licences, mais selon les chercheurs du MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), la ville pourrait faire avec pas plus d’un quart de tours.
L’équipe a développé un nouvel algorithme qui croquait les numéros et, en supposant que le covoiturage devient de plus en plus populaire, le MIT est venu à la conclusion que NYC seulement besoin de 3 000 de quatre voitures à servir de 98 pour cent de la demande de transport dans la Ville de New York.
La moyenne de temps d’attente de moins de trois minutes pour un tour.
Dirigée par le Professeur Daniela Rus, la MIT CSAIL du groupe algorithme est également suggéré que, si deux personnes de covoiturage ont été en cours d’utilisation, de 3 000 pourrait servir de 94% de la demande, et seulement 2 000 véhicules seraient nécessaires pour répondre à 95 pour cent de la demande si ils l’ont porté à 10 personnes.
L’algorithme utilise des données provenant de trois millions de NYC taxi en temps réel où les hotspots sont pour les demandes de transport et comment rediriger de façon proactive les voitures pour les zones les plus hauts niveaux de la demande, une fonctionnalité MIT, dit-améliore la vitesse de service jusqu’à 20 pour cent.
“À notre connaissance, c’est la première fois que les scientifiques ont été en mesure de quantifier expérimentalement le compromis entre la taille de la flotte, la capacité, le temps d’attente, les retards de vol, et les coûts de fonctionnement des véhicules de la gamme, à partir de taxis pour les fourgonnettes et les navettes,” dit-Rus.
“Qui plus est, le système est particulièrement adapté pour les voitures autonomes, car il peut rediriger en permanence des véhicules en temps réel les demandes de,” le chercheur ajouté.
Aujourd’hui, le covoiturage services sont quelque peu limitées, surtout que les demandes doivent être en avant un itinéraire peut être déterminé-mais les chercheurs disent que, dans l’avenir, l’algorithme pourrait être utilisé pour le match retour des demandes à différents véhicules, y compris ceux avec des capacités plus importantes, tout en gardant à l’esprit les coûts de passagers, de temps et de commodité.
Rus appelle le système “à tout moment algorithme optimal”, ce qui signifie qu’il s’améliore à mesure que davantage de données est introduit dans l’algorithme et au fil du temps avec l’utilisation fréquente.
“Le covoiturage services ont un énorme potentiel pour des effets sociaux positifs à l’égard de la congestion, la pollution et la consommation d’énergie,” dit-Rus. “Je pense qu’il est important que nous, en tant que chercheurs de faire tout notre possible afin d’explorer des moyens de rendre ces systèmes de transport plus efficace et fiable que possible.”
La recherche a été publiée dans la revue Proceedings of the National Academy of Sciences (PNAS).
Ce qui est Chaud sur ZDNet
L’avenir de la robotique: 10 prévisions pour 2017 et au-delà
La Maison blanche IA rapport appelle à “agressives” des politiques pour aider les travailleurs
Le chiffrement des portes dérobées sont contre NOUS de l’intérêt national, disent les législateurs
DIY: le Top 10 des articles de 2016