Bridging Policy and Real-World Dynamics: LLM-Augmented Rebalancing for Shared Micromobility Systems

Die Nutzung von E‑Scootern und Fahrrädern hat sich zu einem unverzichtbaren Bestandteil des urbanen Verkehrs entwickelt. Damit diese Dienste jedoch effizient bleiben, ist ein präzises Fahrzeug‑Rebalancing entscheidend. Traditionelle Ansätze optimieren entweder die durchschnittliche Nachfrage oder setzen auf robuste Optimierung und Reinforcement‑Learning, um vordefinierte Unsicherheiten zu berücksichtigen. Dabei bleiben jedoch plötzlich auftretende Ereignisse wie Nachfrage‑Spitzen, Fahrzeugausfälle oder regulatorische Eingriffe oft unberücksichtigt, was die Leistung unter normalen Bedingungen beeinträchtigt.

Hier kommt AMPLIFY ins Spiel – ein innovatives Framework, das die Rebalancing‑Strategien in Echtzeit anpasst, indem es ein großes Sprachmodell (LLM) nutzt. AMPLIFY kombiniert ein etabliertes Basismodul für die Fahrzeugverteilung mit einem LLM‑basierten Anpassungs­modul, das auf aktuelle Systemkontexte, Nachfrageprognosen und die Ausgangsstrategien reagiert. Durch selbstreflektierende Analyse kann das Modell seine Anpassungen verfeinern und so flexibel auf unerwartete Situationen reagieren.

In Tests mit realen Daten aus Chicago zeigte AMPLIFY eine signifikante Steigerung der Nachfrage‑Erfüllung und des Umsatzes im Vergleich zu herkömmlichen Rebalancing‑Methoden. Diese Ergebnisse unterstreichen das enorme Potenzial von LLM‑gestützten Anpassungen als flexible Lösung, um Unsicherheiten in Micromobility‑Systemen effektiv zu managen.