Fully Dynamic Rebalancing of Dockless Bike Sharing Systems using Deep Reinforcement Learning

Dockless Bike Sharing Systems (DBSSs) are increasingly popular as sustainable urban transportation options. However, ensuring balanced bike availability across a city without increasing operational costs, particularly during rush hours, remains a significant challenge, as most existing approaches rely on static methodologies. This thesis proposes a fully dynamic rebalancing framework for DBSSs using deep reinforcement learning to address inefficiencies in current methods. The core of the study leverages a Dueling Deep Q-Network (Dueling DQN) trained on a realistic simulator that models bike dynamics in Cambridge, Massachusetts, utilizing real-world usage data from the BLUEbikes system in Boston and traffic and energy efficiency patterns from TomTom. This model enables the dynamic rebalancing of bikes across a high-fidelity graph of the urban network of Cambridge, adapting to changing demand patterns in real time and anticipating future shifts in demand. Furthermore, this thesis demonstrates the potential for scalable, real-time solutions to enhance the efficiency of urban bike sharing systems and other shared mobility platforms.

I sistemi di bike sharing senza stazioni fisse stanno diventando sempre più popolari come soluzione per il trasporto urbano sostenibile. Tuttavia, garantire una distribuzione equilibrata delle biciclette in città senza aumentare i costi operativi, soprattutto nelle ore di punta, rappresenta una sfida complessa, poiché molti approcci attuali si basano su metodi statici. Questa tesi propone un sistema completamente dinamico per il riequilibrio delle biciclette, basato sul Deep Reinforcement Learning, per superare le inefficienze dei metodi tradizionali. Il fulcro dello studio è un modello Dueling Deep Q-Network (Dueling DQN), addestrato su un simulatore realistico che riproduce le dinamiche delle biciclette a Cambridge, Massachusetts, utilizzando dati reali del sistema BLUEbikes di Boston e informazioni su traffico ed efficienza energetica fornite da TomTom. Questo approccio consente di riequilibrare le biciclette su una rete urbana dettagliata di Cambridge, adattandosi in tempo reale ai cambiamenti nella domanda e prevedendo variazioni future. Inoltre, la tesi evidenzia il potenziale di soluzioni scalabili e reattive per migliorare l’efficienza dei sistemi di bike sharing e di altre forme di mobilità condivisa in contesti urbani.