Розробка динамічної моделі максимізації прибутку для системи каршерінгу з врахуванням географічних та економічних особливостей регіону

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.254718

Ключові слова:

каршерінг, дискретна оптимізація, динамічна модель, гексагональна теселяція, максимізація прибутку, Uber H3

Анотація

Описано динамічну модель максимізації прибутку для системи каршерінгу з врахуванням географічних та економічних особливостей регіону. Для вирішення задачі побудови моделі описано спосіб покриття регіону геометричними фігурами. Встановлено, що при моделюванні системи каршерінгу раціональним є покриття регіону сіткою з рівних правильних шестикутників, що розташовані сторона до сторони. Для кожного підрегіону розраховані кількісні параметри: кількість вільних автомобілів в підрегіонах, ймовірність поїздки автомобіля з одного підрегіону в інший, витрати на технічне обслуговування та експлуатацію автомобіля та дохід від поїздки. При цьому враховується динамічний характер вказаних параметрів. На основі даних параметрів будується цільова функція та обмеження для динамічної моделі. Ці обмеження враховують економічні та географічні особливості кожного підрегіону.

Було побудовано динамічну модель максимізації прибутку для системи каршерінгу м. Нью-Йорк (США) на основі даних датасету TCL. Для обчислення параметрів моделі було використано дані про 776 285 070 поїздок за період з січня 2016 р. по липень 2021 р. Побудовано мапи початку та завершення поїздок в регіоні та мапу поїздок з прив’язкою до комірок гексагональної сітки за допомогою сервісу візуалізації Kepler. Проаналізовано фреймворки H3 та S2 в частині визначення довжини маршруту між підрегіонами. Проведено моделювання за побудованою однонапрямленою динамічною моделлю максимізації прибутку. Встановлено, що врахування усереднених економічних та географічних особливостей регіону дозволяє збільшити прибуток системи каршерінгу на 12,36 %. Врахування  в моделі динаміки економічних та географічних особливостей регіону клієнтів дозволяє збільшити прибуток додатково на 4.18 %

Біографії авторів

Beibut Amirgaliyev, Astana IT University

Candidate of Technical Sciences, Professor

Department of Computer Engineering

Юрій Васильович Андрашко, Ужгородський національний університет

Кандидат технічних наук, доцент

Кафедра системного аналізу і теорії оптимізації

Олександр Юрійович Кучанський, Київський національний університет імені Тараса Шевченка

Доктор технічних наук, професор

Кафедра інформаційних систем та технологій

Посилання

  1. Shared Economy: WeWork, Uber, Airbnb and Lyft (2020). BCC Research. Available at: https://www.bccresearch.com/market-research/finance/shared-economy-wework-uber-airbandb-lyft-market.html
  2. Shaheen, S. A., Cohen, A. P. (2007). Growth in Worldwide Carsharing. Transportation Research Record: Journal of the Transportation Research Board, 1992 (1), 81–89. doi: https://doi.org/10.3141/1992-10
  3. Rycerski, P., Koutra, S., Genikomsakis, K. N., Ioakeimidis, C. S. (2016). A university survey with a comparative study of an E-bikes sharing system. EVS 2016 - 29th Int. Electr. Veh. Symp, Montreal, 1–11.
  4. Bruglieri, M., Colorni, A., Luè, A. (2014). The Vehicle Relocation Problem for the One-way Electric Vehicle Sharing: An Application to the Milan Case. Procedia - Social and Behavioral Sciences, 111, 18–27. doi: https://doi.org/10.1016/j.sbspro.2014.01.034
  5. Jorge, D., Molnar, G., de Almeida Correia, G. H. (2015). Trip pricing of one-way station-based carsharing networks with zone and time of day price variations. Transportation Research Part B: Methodological, 81, 461–482. doi: https://doi.org/10.1016/j.trb.2015.06.003
  6. Nourinejad, M., Roorda, M. J. (2014). A dynamic carsharing decision support system. Transportation Research Part E: Logistics and Transportation Review, 66, 36–50. doi: https://doi.org/10.1016/j.tre.2014.03.003
  7. Nozari, M. A., Ghadikolaei, A. S., Govindan, K., Akbari, V. (2021). Analysis of the sharing economy effect on sustainability in the transportation sector using fuzzy cognitive mapping. Journal of Cleaner Production, 311, 127331. doi: https://doi.org/10.1016/j.jclepro.2021.127331
  8. Giorgione, G., Bolzani, L., Viti, F. (2021). Assessing Two-way and One-way Carsharing: an Agent-Based Simulation Approach. Transportation Research Procedia, 52, 541–548. doi: https://doi.org/10.1016/j.trpro.2021.01.064
  9. Correia, G. H. D. A., Jorge, D. R., Antunes, D. M. (2014). The Added Value of Accounting For Users’ Flexibility and Information on the Potential of a Station-Based One-Way Car-Sharing System: An Application in Lisbon, Portugal. Journal of Intelligent Transportation Systems, 18 (3), 299–308. doi: https://doi.org/10.1080/15472450.2013.836928
  10. Boyacı, B., Zografos, K. G., Geroliminis, N. (2017). An integrated optimization-simulation framework for vehicle and personnel relocations of electric carsharing systems with reservations. Transportation Research Part B: Methodological, 95, 214–237. doi: https://doi.org/10.1016/j.trb.2016.10.007
  11. Perboli, G., Ferrero, F., Musso, S., Vesco, A. (2018). Business models and tariff simulation in car-sharing services. Transportation Research Part A: Policy and Practice, 115, 32–48. doi: https://doi.org/10.1016/j.tra.2017.09.011
  12. Liao, F., Correia, G. (2020). Electric carsharing and micromobility: A literature review on their usage pattern, demand, and potential impacts. International Journal of Sustainable Transportation, 16 (3), 269–286. doi: https://doi.org/10.1080/15568318.2020.1861394
  13. Li, X., Wang, C., Huang, X. (2020). DDKSP: A Data-Driven Stochastic Programming Framework for Car-Sharing Relocation Problem. IEEE Transactions on intelligent transportation systems. doi: https://doi.org/10.48550/arXiv.2001.08109
  14. TLC Trip Record Data. Available at: https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page
  15. Venkat, E. (2021). Uber H3 for Data Analysis with Python. Towards Data Science. Available at: https://towardsdatascience.com/uber-h3-for-data-analysis-with-python-1e54acdcc908
  16. H3. Hexagonal hierarchical geospatial indexing system. Uber Technologies. Available at: https://h3geo.org
  17. S2 Geometry. Available at: https://s2geometry.io/
  18. GADM maps and data. GADM. Available at: https://gadm.org/index.html
  19. Make an impact with your location data. Available at: https://kepler.gl
  20. New York city carshare. Hunter Studio (2019). Available at: http://www.hunterurban.org/wp-content/uploads/2019/09/New-York-City-Carshare_-Final-Report_-reduced-2-1.pdf
  21. IBM ILOG CPLEX Optimizer. IBM. Available at: https://www.ibm.com/analytics/cplex-optimizer
  22. Honcharenko, T., Ryzhakova, G., Borodavka, Ye., Ryzhakov, D., Savenko, V., Polosenko, O. (2021). Method for representing spatial information of topological relations based on a multidimensional data model. ARPN Journal of Engineering and Applied Sciences, 16 (7), 802–809. Available at: http://www.arpnjournals.org/jeas/research_papers/rp_2021/jeas_0421_8555.pdf
  23. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Vatskel, V., Biloshchytska, S., Danchenko, O., Vatskel, I. (2018). Combined Models for Forecasting the Air Pollution Level in Infocommunication Systems for the Environment State Monitoring. 2018 IEEE 4th International Symposium on Wireless Systems Within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). doi: https://doi.org/10.1109/idaacs-sws.2018.8525608

##submission.downloads##

Опубліковано

2022-04-28

Як цитувати

Amirgaliyev, B., Андрашко, Ю. В., & Кучанський, О. Ю. (2022). Розробка динамічної моделі максимізації прибутку для системи каршерінгу з врахуванням географічних та економічних особливостей регіону. Eastern-European Journal of Enterprise Technologies, 2(4 (116), 22–29. https://doi.org/10.15587/1729-4061.2022.254718

Номер

Том 2 № 4 (116) (2022): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2022 Beibut Amirgaliyev, Yurii Andrashko, Alexander Kuchansky

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.