Urbane Mobilität und Logistik: Lernen und Optimierung unter Unsicherheit

Ziel des Projektes ist die systematische Verbesserung von quantitativer Entscheidungsunterstützung in der urbanen Mobilität und Logistik. Erreicht wird dies durch eine Analyse methodischer Funktionalitäten für unterschiedliche Problemstellungen und dem Ableiten eines generellen Konzeptes zum Design von zukünftigen Methoden.Für Anwendungen der urbanen Mobilität und Logistik ist eine effektive, schnelle, und skalierbare operative Entscheidungsfindung notwendig. Oftmals werden Entscheidung unter unvollständiger Information getroffen, zum Beispiel bezüglich des Kundenbedarfs, der Verkehrssituation, oder auch der verfügbaren Ressourcen. Auf sich ändernde Informationen zu reagieren reicht oftmals nicht aus. Vorausschauende, antizipierende Entscheidungen sind notwendig. In Praxis und Wissenschaft wurden bereits einige antizipierende Methoden entwickelt, zumeist zugeschnitten auf konkrete Problemstellungen. Solche Methoden können zum Beispiel Daumenregeln folgen, Sampling-Verfahren einsetzen oder auch Techniken des Reinforcement Learning nutzen. Sie liefern oftmals effektive Entscheidungen für die individuellen Problemstellungen. Allerdings gibt es bisher kaum allgemeingültige Erkenntnisse wie Problemcharakteristika und Methodenperformance zusammenhängen. Dies ist das Ziel dieses Projektes.Das Projekt wird diese Zusammenhänge systematisch untersuchen. Hierzu werden Probleme aus drei unterschiedlichen Anwendungsbereichen betrachtet: die Kombination von Mobilitäts- und Transportleistungen, die Nutzung eines Netzwerkes von Paketstationen zum Transport innerhalb der Stadt, und die Lieferung mittels selbstständiger Fahrer*innen in der Gig Economy. Die Problemstellungen unterscheiden sich in mehreren Dimensionen, insbesondere in der Art der Unsicherheit. Zur Klassifizierung dieser Probleme werden Maße entwickelt, zum Beispiel zur Bestimmung der Problemkomplexität oder der Struktur und Stärke der Unsicherheit. Für jeden Problembereich wird eine Menge strukturell unterschiedlicher Methoden entwickelt. Diese liefern zum einen effektive Entscheidungen für die individuellen Probleme. Zum anderen erlauben sie eine systematische Analyse der Zusammenhänge zwischen Problemen und Methoden. Hierzu werden ebenfalls Maße entwickelt Methoden zu klassifizieren, zum Beispiel bezüglich der Geschwindigkeit oder der Interpretierbarkeit der Entscheidungsfindung. Die Experimente und Ergebnisse werden bezüglich der entwickelten Maße geplant und analysiert und gehen abschließend im konzeptuellen Rahmenwerk auf.Das Projekt ist auf sechs Jahre ausgelegt und wird an der TU München (TUM) durchgeführt werden. Während des Projektes werden drei Doktorand*innen jeweils vier Jahre an jeweils einem Anwendungsbereich forschen. Diese Forschung findet primär an der TUM statt und wird zusätzlich von Wissenschaftlern des Georgia Institute of Technology unterstützt.

Urban Mobility and Logistics: Learning and Optimization under Uncertainty

The goal of this project is to systematically improve quantitative decision support for urban mobility and logistics, to analyze its methodological functionality, to derive general conceptual insight, and to use the derived concept for future method designs.For applications in urban mobility and logistics, operational decision support needs to be effective, fast, and applicable on a large scale - often under incomplete information. Providers face uncertainty in many components, for example, the customer demand, the urban traffic conditions, or even the driver behavior. Mere adaptions to new information are often insufficient and anticipation of this uncertainty is key for successful operations. In research and practice, a range of anticipatory methods has been developed, usually tailored to specific practical problems. Such methods may follow intuitive rule-of-thumbs, draw on sampling procedures, or use reinforcement learning techniques. While the methods may perform well for individual problems, there is still a very limited understanding of the general dependencies of a method’s performance and a problem’s characteristics. This research project will provide this conceptual understanding.To this end, the project will systematically develop and compare different methodology for a set of problems from three different application areas, one combining urban mobility and transport as a service, one using a network of parcel stations for urban transportation, and one performing pickup and delivery with a gig economy workforce. The three problems differ in several dimensions, especially in their sources of uncertainty. To classify the problems, measures will be developed, for example, with respect to the scale of the problem or structure and degree of uncertainty. For each problem, a set of different methods will be developed. The methods will improve decision support for the specific problems while simultaneously allowing a systematic analysis of dependencies between problem and methodology performance. To this end, additional measures will be developed to classify method performance, for example, decision speed, or the interpretability of a method. Based on the problem and method measures and the extensive experiments and analyses, a framework will be developed to guide future method design for this emerging research field.This project will span six years and will be hosted at the TU München (TUM). During the project, the PI will supervise three PhD-students, each student working four years in one application area. The PI and the students will collaborate with researchers from TUM and the Georgia Institute of Technology.