Ribilanciamento Dinamico Equo nei sistemi di Bike Sharing usando il Deep Reinforcement Learning

Bike Sharing Systems are micromobility solutions that offer an affordable and sustainable mode of transportation for cities, particularly in a world increasingly focused on the environmental concerns. The request for these systems is growing thanks to their affordability and seamless integration with public transit. However, the unpredictable nature of the demand requires operators to frequently reposition bikes across the network to ensure that all areas remain adequately served. Rebalancing is a costly operation, as it involves the use of trucks, personnel, and depots to store excess bicycles. This study extends the framework of Dynamic Rebalancing in Bike Sharing Systems focusing on the optimization of performances while maintaining spatial fairness, i.e., the equitable distribution of service across different neighborhoods. It uses a framework designed with a high level of realism, mirroring the operational behavior of a dockless Bike Sharing System. The devised rebalancing strategy considers the overall system availability, and optimizes the estimation of incumbent demand helping to ensure that both critical locations and peripheral areas maintain reasonable service levels even in the presence of low demand. The proposed solution leverages Deep Reinforcement Learning to learn the optimal policy from trial and error, achieving a balance between operational efficiency and equitable service provision.

I Sistemi di Bike Sharing rappresentano una soluzione di micromobilità che offre un mezzo di trasporto economico e sostenibile per le città, in un contesto globale sempre più attento alle problematiche ambientali. La richiesta per tali sistemi è in costante crescita grazie alla loro comodità e alla perfetta integrazione con il trasporto pubblico. Tuttavia, la natura imprevedibile della domanda impone agli operatori di riposizionare frequentemente le biciclette all’interno della rete, al fine di garantire che tutte le aree urbane siano adeguatamente servite. Il riposizionamento costituisce un’operazione onerosa, poiché richiede l’impiego di veicoli, personale e depositi per lo stoccaggio delle biciclette in eccesso. Questo studio estende l'applicazione del Dynamic Rebalancing verso i Sistemi di Bike Sharing, concentrandosi sull’ottimizzazione delle prestazioni mantenendo al contempo il concetto di equità spaziale, ovvero una distribuzione equa del servizio tra i diversi quartieri. Viene adottato un modello con un elevato grado di realismo, che riproduce il comportamento operativo del sistema dockless di Bike Sharing. La strategia di riequilibrio concepita considera la disponibilità complessiva del sistema e ottimizza le previsioni dei flussi di utilizzo delle biciclette, contribuendo a garantire livelli di servizio adeguati sia nelle aree strategiche sia in quelle periferiche, anche in presenza di una domanda ridotta. La soluzione proposta si avvale di algoritmi di Deep Reinforcement Learning per apprendere, attraverso un approccio Trial and error, la miglior strategia, raggiungendo un equilibrio tra efficienza operativa e fornitura equa del servizio.