[論文レビュー] Demand Prediction and Placement Optimization for Electric Vehicle Charging Stations

Ragavendran Gopalakrishnan, Arpita Biswas+4 more|arXiv (Cornell University)|Apr 19, 2016

Electric Vehicles and Infrastructure参考文献 20被引用数 25

ひとこと要約

本稿では、正則相関分析（CCA）を用いたマルチビュー需要予測と混合パッキング・カバー型最適化モデルを統合することで、電気自動車（EV）充電ステーションの配置最適化のための新規フレームワークを提案する。この手法は、ナップサック法と集合被覆法を組み合わせた反復的ヒューリスティクスを用い、予算制約下での需要満足度と実行可能性において、単純なヒューリスティクスに比べ10–20%の改善を達成した。

ABSTRACT

Effective placement of charging stations plays a key role in Electric Vehicle (EV) adoption. In the placement problem, given a set of candidate sites, an optimal subset needs to be selected with respect to the concerns of both (a) the charging station service provider, such as the demand at the candidate sites and the budget for deployment, and (b) the EV user, such as charging station reachability and short waiting times at the station. This work addresses these concerns, making the following three novel contributions: (i) a supervised multi-view learning framework using Canonical Correlation Analysis (CCA) for demand prediction at candidate sites, using multiple datasets such as points of interest information, traffic density, and the historical usage at existing charging stations; (ii) a mixed-packing-and- covering optimization framework that models competing concerns of the service provider and EV users; (iii) an iterative heuristic to solve these problems by alternately invoking knapsack and set cover algorithms. The performance of the demand prediction model and the placement optimization heuristic are evaluated using real world data.

研究の動機と目的

• 両者に相互依存関係があるEVの普及と充電ステーションの展開という課題に取り組むこと。
• サービスプロバイダーの需要満足度の最大化と、ユーザーの到達可能性および待機時間の最小化という対立する目的をバランスさせる。
• 予算およびカバレッジ制約下での充電ステーションの最適配置のスケーラブルな解決策を開発すること。
• 複数のプロバイダーにわたる政府補助金の割り当てをサポートするため、フレームワークを段階的（複数期間）展開に対応可能に拡張すること。
• 交通、POI、歴史的利用データなど多様な実世界データを統合することで、希少なデータ下でも需要予測の正確性を向上させること。

提案手法

• 候補地における需要予測のため、ポイント・オブ・インタレスト（POI）、交通密度、歴史的利用データといった異種データソースを統合するため、正則相関分析（CCA）を用いた教師ありマルチビュー学習フレームワークを採用する。
• 配置問題を混合パッキング・カバー型整数計画問題として定式化する：予算およびスロット容量制約下で、需要満足度（パッキング）を最大化するとともに、すべての場所が到達可能距離内にあることを保証（カバー）する。
• 待ち時間をキューイングモデルでモデル化し、各ステーションに必要な最小スロット数を決定し、事前処理における設置コストに変換する。
• 反復的ヒューリスティクス（IPAC）を設計し、ナップサック問題（予算制約下での需要最大化）と集合被覆問題（カバー制約の強制）のサブプロブレムを交互に解く。
• 時間変動する予算、動的需要予測、および既存ステーションへのスロット追加の選択肢を考慮することで、複数期間にわたる段階的展開をモデル化する。
• 政府補助金の割り当てを対応可能にするために、多様な次元のナップサック制約を組み込み、プロバイダーと公共資金のニーズをバランスさせる。

実験結果

リサーチクエスチョン

• RQ1 限られた歴史的データ下でも、多様な情報源（POI、交通、歴史的利用）を効果的に統合することで、候補地におけるEV充電需要を正確に予測する方法は何か？
• RQ2 サービスプロバイダー（需要、予算）とEVユーザー（到達可能性、低待機時間）の対立する目的を、充電ステーション配置においてどのように統合的に最適化できるか？
• RQ3 実世界の制約下で、混合パッキング・カバー型施設配置問題を効率的かつスケーラブルに解くためのヒューリスティクス的手法は何か？
• RQ4 需要の増加に応じて既存ステーションの拡張が可能である場合を考慮し、フレームワークはどのように段階的展開（時間経過に伴う展開）をサポートできるか？
• RQ5 公共資金と民間資金の両方の予算制約を満たすように、最適化モデルは複数のサービスプロバイダーにわたる政府補助金の割り当てをどのように調整できるか？

主な発見

• CCAに基づくマルチビュー学習モデルは、POI、交通、歴史的利用といった多様なデータソースを効果的に統合し、候補地における充電需要をより高い正確性で予測できた。
• 提案されたIPACヒューリスティクスは、実行可能性および総合的需要満足度の両面で、単純なヒューリスティクスに比べ10–20%高い性能を発揮した。特に予算が厳しい条件下で顕著な改善が見られた。
• 混合パッキング・カバー型定式化は、統合コストモデリングにより、需要最大化、カバレッジ、待機時間制約のバランスを効果的に実現した。
• 時間変動する予算と動的需要をモデル化することで、フレームワークは段階的展開をサポートし、新規設置ではなく既存ステーションの拡張という選択肢を提供した。
• 政府補助金の割り当てへの拡張により、多様な次元のナップサック制約をモデル化することで、複数プロバイダー間の連携が可能になり、公共資金戦略の支援が可能になった。
• 実世界データを用いた実証的評価により、特に資源が限られる状況下で、ヒューリスティクスがベースライン手法を上回ることが確認された。