Programma: PNRR M4C2 – Investimento 1.1 PRIN 2022

Settore ERC: PE - Physical Sciences and Engineering

Codice progetto: 20223MHHA8 – CUP: B53D23009090006

Responsabile scientifico: Prof. P. Dell’Olmo

Capofila: Università degli Studi di Brescia

Partner (Altre Unità): Università di Roma Sapienza, Università degli Studi di Bologna"

Contributo Totale progetto: € 251.269,00

Contributo per l’Ateneo: € 34.743,00

Durata:

Abstract

Sustainable transportation is one of the major challenges that modern countries are facing. Modern societies demand a high degree of mobility and the present transportation systems must evolve to ensure that people can move and freight can be transported in ways that are safe, cost-effective, and environmentally friendly. The number of private vehicles has increased for decades, and the ever-growing rise of e-commerce is generating an enormous demand for mobility of freight. Several projections foresee a continued growth of such a demand for mobility, which has been accelerated by the COVID-19 pandemic. Moreover, mobility players are collecting large amounts of data, thanks to cheap and connected devices such as smart phones, RFID readers, web-cams, and wireless sensors. The continuous data flow generated by these devices makes it possible to infer and to update time-dependent scenarios related to demand for service and traveling times. Finally, technical and socio-economic advances have made available a range of options for sustainability mobility (e.g., electric vehicles, intelligent transport systems, shared mobility), but still important hurdles must be overcome for their mass market adoption. As a result, mobility players, both from public (such as local authorities) and private sectors, are (and will be) facing increasingly complex managerial challenges, which urge the use of appropriate decision-support tools that aim at contributing to sustainability of mobility systems. This project aims at developing, implementing, and validating a set of time-dependent optimization tools that embraces different facets of mobility in urban areas. These tools will be based on new mathematical programming models and optimization algorithms, and aim at supporting the decisions of mobility players, in the context of sustainable mobility, taking advantage of the availability of dynamic time-dependent data. More in details, we will tackle the problem of determining an optimal deployment of charging stations for electric vehicles, by studying the variation during the day of recharging needs and the impact on the solutions of different urban layouts; we will address the problem of bike rebalancing in bike-sharing systems, by employing machine learning techniques to forecast user demand; we will study a new problem in freight delivery where an automated truck, along with a fleet of unmanned aerial vehicles, is employed; finally, we will study the problem of coordinating, in a dynamic setting, the directions to give to vehicles with the goal of reducing traffic congestion. The algorithms to solve these problems will be based on the solution, as subproblems, of basic shortest path and routing problems. Hence, we will also develop efficient algorithms for the solution of constrained and time-dependent variants of the latter problems

La mobilità sostenibile è una delle grandi sfide che i paesi moderni devono affrontare. Le società di oggi richiedono molta mobilità, e i sistemi di trasporto devono evolversi per permettere alle persone di muoversi e alle merci di essere trasportate in modo sicuro, economico e rispettoso dell’ambiente.nnIl numero di veicoli privati è aumentato negli ultimi decenni, e l’espansione dell’e-commerce sta creando una domanda enorme di mobilità per le merci. Si prevede che questa domanda continuerà a crescere, anche a causa della pandemia di COVID-19. Inoltre, i vari attori della mobilità raccolgono grandi quantità di dati grazie a dispositivi economici e connessi come smartphone, RFID, webcam e sensori wireless. Questi flussi di dati continui permettono di fare previsioni e aggiornare scenari legati alla domanda di servizi e ai tempi di viaggio.nnPer rendere tutto più sostenibile, sono state sviluppate diverse soluzioni come veicoli elettrici, sistemi di trasporto intelligenti e mobilità condivisa, anche se ci sono ancora ostacoli importanti da superare prima che queste tecnologie possano essere adottate su larga scala. Di conseguenza, sia le autorità pubbliche che le aziende private devono affrontare sfide gestionali sempre più complesse, e hanno bisogno di strumenti di supporto alle decisioni che contribuiscano alla sostenibilità dei sistemi di mobilità.nnIl progetto di cui parla il testo si propone di sviluppare, implementare e validare una serie di strumenti di ottimizzazione temporale, che considerino diversi aspetti della mobilità nelle aree urbane. Questi strumenti si baseranno su nuovi modelli matematici e algoritmi di ottimizzazione, e saranno pensati per aiutare chi prende decisioni nel settore della mobilità sostenibile, sfruttando i dati dinamici e in tempo reale disponibili.nnIn particolare, il progetto affronterà vari problemi: ad esempio, come disporre al meglio le stazioni di ricarica per veicoli elettrici, studiando come cambiano le esigenze di ricarica durante il giorno e come influenzano le diverse configurazioni urbane; come ri-bilanciare le biciclette nei sistemi di bike sharing, usando tecniche di machine learning per prevedere la domanda degli utenti; come gestire la consegna delle merci con veicoli automatizzati e droni; e infine, come coordinare in modo dinamico le rotte dei veicoli per ridurre il traffico e la congestione.nnGli algoritmi che svilupperemo si baseranno sulla risoluzione di problemi di percorso e di routing, come sottoproblemi, e ci impegneremo anche a creare algoritmi efficienti per varianti di questi problemi che siano vincolate e temporaneamente dipendenti.
 

Parole chiave:

  • Transportation systems operations and management
  • Vehicles and transportation systems
  • Sustainability
  • Operational research
  • Optimization