För transportföretag är fordonsutnyttjande och laddplanering viktiga frågor. I en självkörande taxiflotta måste bilarna finnas där resenärerna behöver dem och samtidigt ha tillräckligt med batterikapacitet. Bristande planering kan leda till onödig tomkörning, längre väntetider och ökad trängsel.

I sin doktorsavhandling har Sten Elling Tingstad Jacobsen vid Chalmers utvecklat datadrivna metoder för att hantera dessa utmaningar. Maskininlärning används för att förutsäga efterfrågan på resor och tillgången till laddstationer. Prognoserna bygger på historiska taxidata från San Francisco och Chicago.

En central del är att metoden också uppskattar prognosernas osäkerhet. Det gör planeringen bättre rustad för förändrade resmönster, exempelvis vid ovanligt väder.

Besluten om körning och laddning fattas av en optimeringsmodell med tydliga mål och begränsningar. Modellen delar upp den omfattande planeringsuppgiften i mindre delar och kombinerar resultaten till en lösning som ligger nära den optimala, men som är praktiskt möjlig att beräkna.

Metoden har utvecklats och testats för fordon med olika batteristorlek och energieffektivitet och kan skalas upp till stora flottor. Forskningen gäller självkörande taxi, men berör frågor som också är centrala för åkeribranschen: effektiv fordonsplanering, laddning och förmågan att hantera varierande efterfrågan.