[論文レビュー] Dynamic Demand Prediction for Expanding Electric Vehicle Sharing Systems

Man Luo, Hongkai Wen+4 more|arXiv (Cornell University)|Mar 10, 2019

Transportation and Mobility Innovations参考文献 17被引用数 2

ひとこと要約

本稿では、電気自動車共有ステーションの需要を動的に予測するために、局所的な時系列および空間符号化を備えたグラフ畳み込みニューラルネットワークを提案する。実世界のデータにおいて、時系列的ダイナミクスとステーション間の空間相関を効果的にモデル化することで、最先端の手法を上回る性能を発揮する。

ABSTRACT

Electric Vehicle (EV) sharing systems have recently experienced unprecedented growth across the globe. Many car sharing service providers as well as automobile manufacturers are entering this competition by expanding both their EV fleets and renting/returning station networks, aiming to seize a share of the market and bring car sharing to the zero emissions level. During their fast expansion, one fundamental determinant for success is the capability of dynamically predicting the demand of stations. In this paper we propose a novel demand prediction approach, which is able to model the dynamics of the system and predict demand accordingly. We use a local temporal encoding process to handle the available historical data at individual stations, and a spatial encoding process to take correlations between stations into account with graph convolutional neural networks. The encoded features are fed to a prediction network, which forecasts both the long-term expected demand of the stations. We evaluate the proposed approach on real-world data collected from a major EV sharing platform. Experimental results demonstrate that our approach significantly outperforms the state of the art.

研究の動機と目的

• 急速に拡大する電気自動車（EV）共有システムにおける動的需要を正確に予測する課題に対処すること。
• 個々の場所における履歴的ステーション利用データの時系列パターンをモデル化すること。
• ネットワークのトポロジーに基づいて、ステーション間の空間的依存関係を捉えるためにグラフ畳み込みニューラルネットワーク（GCNs）を用いること。
• ネットワーク全体における長期的期待需要の予測精度を向上させること。
• EV共有プラットフォームにおける運用効率およびリソース配分を支援すること。

提案手法

• 各個別ステーションの履歴データから時系列パターンを抽出するために、局所的な時系列符号化プロセスを適用すること。
• ステーション間の空間相関を、ネットワークのトポロジーに基づいてグラフ畳み込みニューラルネットワーク（GCNs）を用いてモデル化すること。
• 符号化された時系列的および空間的特徴を統合された表現に統合し、需要予測に用いること。
• 融合された特徴を予測ネットワークに供給し、各ステーションにおける長期的期待需要を予測すること。
• 主要なEV共有プラットフォームの実世界データを用いて、エンドツーエンドのモデルを訓練すること。
• 予測誤差を最小化するために、標準的なディープラーニング損失関数を用いてモデルを最適化すること。

実験結果

リサーチクエスチョン

• RQ1 局所的な時系列符号化とグラフ畳み込みニューラルネットワークを組み合わせたハイブリッドモデルは、EV共有システムにおける需要予測精度を向上させることができるか？
• RQ2 ステーション間の空間的相関は、需要予測に効果的に捉えられ、活用できるか？
• RQ3 提案手法は、実世界のEV共有データにおいて、既存の最先端手法をどの程度上回るか？
• RQ4 使用パターンが異なるさまざまなステーションにおいて、モデルの一般化能力はどの程度高いか？
• RQ5 時系列的ダイナミクスと空間的構造を併せてモデル化することで、長期的需要予測にどのような影響を与えるか？

主な発見

• 提案手法は、実世界のEV共有データにおいて、既存の最先端手法を顕著に上回る性能を発揮する。
• 局所的な時系列符号化とグラフ畳み込みニューラルネットワークの統合により、時系列的および空間的ダイナミクスのモデル化が向上する。
• 地理的に近接したステーション間の相関を効果的に捉えることで、優れた予測精度を達成する。
• 多様なステーションタイプおよび使用パターンにわたり、強力な一般化能力を示す。
• 時系列的および空間的特徴を統合的にモデル化することで、より信頼性の高い長期的需要予測が得られることを確認した。