Diese Arbeit optimiert den Betrieb von Autonomous Mobility-on-Demand (AMoD) Services unter Verwendung neuartiger räumlich-zeitlicher Beziehungen, inspiriert von der Kerndichteschätzung (KDS). Die KDS wird zunächst modifiziert, um die AMOD-Servicequalität in Form von Heatmaps darzustellen. Später wird sie in neuartigen Repositionierungs- und proaktiven Fahrzeugzuweisungsmethoden verwendet. Die Methoden werden in einer agentenbasierten Simulation namens „FleetPy“ unter Verwendung von New Yorker Open-Source Taxidaten getestet. Es konnte eine deutliche Verbesserung der AMoD-Leistung gezeigt werden.     «

Diese Arbeit optimiert den Betrieb von Autonomous Mobility-on-Demand (AMoD) Services unter Verwendung neuartiger räumlich-zeitlicher Beziehungen, inspiriert von der Kerndichteschätzung (KDS). Die KDS wird zunächst modifiziert, um die AMOD-Servicequalität in Form von Heatmaps darzustellen. Später wird sie in neuartigen Repositionierungs- und proaktiven Fahrzeugzuweisungsmethoden verwendet. Die Methoden werden in einer agentenbasierten Simulation namens „FleetPy“ unter Verwendung von New Yorker Op...     »