[論文レビュー] A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural Recommender System

Ayman Moawad, Zhijian Li+7 more|arXiv (Cornell University)|Oct 21, 2021

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

本論文は、高レベルのルートデータのみを用いて、エネルギー効率と総コスト（TCO）を最適化する中型・重貨物トラックの最適ルート割り当てをリアルタイムで行うニューラルネットワークベースのレコメンデーションシステムを提案する。大規模なシミュレーションデータで訓練されたディープラーニングモデルを活用することで、エネルギー消費量を予測し、迅速かつ正確かつスケーラブルにトラック-ルートの割り当てを実現し、リアルタイムでのファミリー最適化を可能にする。

ABSTRACT

This paper presents a neural network recommender system algorithm for assigning vehicles to routes based on energy and cost criteria. In this work, we applied this new approach to efficiently identify the most cost-effective medium and heavy duty truck (MDHDT) powertrain technology, from a total cost of ownership (TCO) perspective, for given trips. We employ a machine learning based approach to efficiently estimate the energy consumption of various candidate vehicles over given routes, defined as sequences of links (road segments), with little information known about internal dynamics, i.e using high level macroscopic route information. A complete recommendation logic is then developed to allow for real-time optimum assignment for each route, subject to the operational constraints of the fleet. We show how this framework can be used to (1) efficiently provide a single trip recommendation with a top-$k$ vehicles star ranking system, and (2) engage in more general assignment problems where $n$ vehicles need to be deployed over $m \leq n$ trips. This new assignment system has been deployed and integrated into the POLARIS Transportation System Simulation Tool for use in research conducted by the Department of Energy's Systems and Modeling for Accelerated Research in Transportation (SMART) Mobility Consortium

研究の動機と目的

• 多様な運用および経済的条件下で、貨物トラックの最適なパワートレイン技術を選定する課題に対処すること。
• 詳細な走行データに依存しないようにすることで、マクロなルート情報のみを用いて正確なエネルギー消費量予測を可能にすること。
• TCO指標に基づき、リアルタイムでスケーラブルかつコスト効率の良い車両の割り当てを支援すること。
• POLARISのエージェントベース交通シミュレーションフレームワークにレコメンデーションシステムを統合し、実世界への展開を可能にすること。
• 単一の行程に対するレコメンデーションと、n台の車両がm回の行程を実行する一般化されたファミリー割り当て問題の両方を可能にすること。

提案手法

• 本システムは、走行距離、速度、勾配などの高レベルのルート特徴量から、詳細な速度プロファイルを必要とせずに、潜在的なエネルギー消費パターンを学習する深層ニューラルネットワークを用いる。
• エネルギー予測は、シカゴの貨物ネットワークのエージェントベースシミュレーションと高精度な車両システムモデルを組み合わせて生成された大規模データセットを用いて訓練される。
• トップ-kランク付けモジュールは、燃料・電気代、車両の減価償却、運用制約を組み合わせたTCOに基づき、各行程ごとに最もコスト効率の良い車両を推薦する。
• 本フレームワークは、配達時間窓、積載量、充電・燃料補給時間などの制約を満たしながら、複数の行程にわたる車両の展開を最適化することで、一般化された割り当て問題をサポートする。
• モデルはPOLARISシミュレーションツール内に実装されており、リアルタイムでの照会と大規模な貨物システムモデリングへの統合を可能にしている。
• 特徴工学は、欠落しているマイクロスコピックデータを補うために意味のあるマクロスコピック入力を抽出することに焦点を当てており、モデルの汎化性能と効率性を向上させている。

実験結果

リサーチクエスチョン

• RQ1 詳細な速度プロファイルを必要とせずに、高レベルのルート情報のみを用いて、ディープラーニングモデルが正確にエネルギー消費量を予測できるか？
• RQ2 リアルタイムで、特定のルートに対して最もTCOが低い車両-パワートレインの組み合わせを同定するレコメンデーションシステムの有効性はどの程度か？
• RQ3 本フレームワークは、複数の車両と行程を含むスケーラブルなファミリー割り当て問題をどの程度効果的にサポートできるか？
• RQ4 精度と計算効率の観点から、マイクロスコピック走行データを必要とする手法と比較して、本システムはどの程度優れているか？
• RQ5 本システムは、大規模なエージェントベース交通シミュレーションに効果的に統合可能で、実世界への展開に適しているか？

主な発見

• ニューラルネットワークモデルは、マイクロスコピック走行ダイナミクスを特徴工学によって効果的に捉えることで、マクロスコピックルート特徴量のみを用いても、エネルギー消費量の予測において高い精度を達成している。
• 本システムは、低コストの計算オーバーヘッドでリアルタイムでの車両レコメンデーションを可能にし、POLARISのような大規模なシミュレーションプラットフォームへの統合に適している。
• トップ-kランク付け機能は、多様な車両およびルート設定において、TCOを最小限に抑える最適なパワートレイン選択を効果的に同定している。
• 一般化された割り当てモジュールは、配達時間窓や充電時間などの運用制約を満たしながら、複数の車両を複数の行程に効果的に展開している。
• 本フレームワークは、POLARISのエージェントベースシミュレーションツールに効果的にデプロイ・統合されており、貨物ファミリー運用者に対するリアルタイム意思決定支援を可能にしている。
• 本アプローチは、高分解能の速度データへの依存を低減しており、実世界のファミリー管理応用においてスケーラブルかつ実用的である。