Cette étude explore les stratégies d'accélération de la génération de colonnes (CG) afin de résoudre efficacement les problèmes de demandes de transport en ligne dans les systèmes de covoiturage à grande échelle. Les heuristiques traditionnelles manquent souvent de garanties sur la qualité des solutions, et les méthodes exactes, comme la génération de colonnes, peuvent être très gourmandes en calcul pour les applications en temps réel. Pour relever ces défis, nous introduisons et décrivons des stratégies visant à accélérer la phase de résolution des sous-problèmes au cours du processus de solution dans des contextes en temps réel. Ces sous-problèmes sont généralement formulés comme le problème du plus court chemin avec contraintes de ressources, dans une approche CG, et sont traditionnellement résolus par programmation dynamique. Nos méthodes améliorent considérablement l'évolutivité de la CG dans des contextes en temps réel. Nous validons cette approche en utilisant des données historiques sur les trajets de taxi à New York, en traitant jusqu'à 30 000 demandes par heure. Les expériences informatiques démontrent des réductions significatives des temps de traitement et la capacité de produire des solutions de haute qualité plus efficacement.