[論文レビュー] Dynamic Demand Prediction for Expanding Electric Vehicle Sharing Systems: A Graph Sequence Learning Approach.

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 6

ひとこと要約

本稿では、拡大する電気自動車（EV）共有システムにおける動的需要予測のためのグラフ系列学習手法を提案する。時間的・空間的依存関係は、局所的時間符号化およびグラフ畳み込みネットワークを用いた動的空間符号化によりモデル化される。実世界の上海EV共有データを用いた実験で、最先端手法比で最高3倍の性能向上を達成した。

ABSTRACT

Electric Vehicle (EV) sharing systems have recently experienced unprecedented growth across the globe. During their fast expansion, one fundamental determinant for success is the capability of dynamically predicting the demand of stations as the entire system is evolving continuously. There are several challenges in this dynamic demand prediction problem. Firstly, unlike most of the existing work which predicts demand only for static systems or at few stages of expansion, in the real world we often need to predict the demand as or even before stations are being deployed or closed, to provide information and support for decision making. Secondly, for the stations to be deployed, there is no historical record or additional mobility data available to help the prediction of their demand. Finally, the impact of deploying/closing stations to the remaining stations in the system can be very complex. To address these challenges, in this paper we propose a novel dynamic demand prediction approach based on graph sequence learning, which is able to model the dynamics during the system expansion and predict demand accordingly. We use a local temporal encoding process to handle the available historical data at individual stations, and a dynamic spatial encoding process to take correlations between stations into account with graph convolutional neural networks. The encoded features are fed to a multi-scale prediction network, which forecasts both the long-term expected demand of the stations and their instant demand in the near future. We evaluate the proposed approach on real-world data collected from a major EV sharing platform in Shanghai for one year. Experimental results demonstrate that our approach significantly outperforms the state of the art, showing up to three-fold performance gain in predicting demand for the rapidly expanding EV sharing system.

研究の動機と目的

• 新規ステーションが歴史的データを持たない状況下でも、継続的な拡大が続くEV共有システムにおける需要予測の課題に対処すること。
• 既存ステーションに及ぼすステーションの新設および閉鎖の複雑な時空間的影響をリアルタイムでモデル化すること。
• 進化を続けるシステムにおける長期的期待需要と短期的即時需要の両方を正確に予測可能にする仕組みを提供すること。
• 動的変化に対応できない従来の静的または段階的予測モデルの限界を克服すること。

提案手法

• 個々のステーションの歴史的需要データから時間的パターンを抽出するための局所的時間符号化プロセスを採用する。
• グラフ畳み込みネットワークに基づく動的空間符号化メカニズムを用いて、ステーション間の変化する空間相関をモデル化する。
• 時間的および空間的符号化を統合し、異なる時間スケールの需要予測を実現するマルチスケール予測ネットワークを構築する。
• 新規ステーションの追加や削除に伴い、グラフ構造を動的に更新することで、システムの進化中でも空間的依存関係のモデル化を維持する。
• 新規ステーションに移動や需要記録が存在しない状況でも、グラフ畳み込みネットワークを活用し非線形な空間的依存関係を捉える。
• 実世界のデータ上でエンドツーエンドに学習し、長期的および近い将来の需要予測を同時に最適化する。

実験結果

リサーチクエスチョン

• RQ1 新規ステーションが導入される前、歴史的データが全くない状況下で、どのようにして正確に需要を予測できるか？
• RQ2 ステーションの新設および閉鎖が、動的システムにおける既存ステーションの需要パターンに及ぼす影響の程度はどの程度か？
• RQ3 統一されたモデルが、拡大を続けるEV共有ネットワークにおいて、長期的期待需要と短期的即時需要の両方を効果的に予測できるか？
• RQ4 提案手法のグラフ系列学習アプローチは、システム拡大期における予測性能面で、従来の最先端手法と比較してどのように差をつけるか？

主な発見

• 提案手法は、急速に拡大するEV共有システムの需要予測において、最先端手法比で最高3倍の性能向上を達成した。
• 上海の大手EV共有プラットフォームの実データを1年間分用いて実験した結果、従来手法を著しく上回った。
• 動的空間符号化の統合により、新規ステーションの導入が続くシステム進化中でさえ、空間的依存関係の正確なモデル化が可能になった。
• マルチスケール予測ネットワークは、需要の長期的トレンドと短期的フラクチュエーションの両方を高い精度で捉えることに成功した。
• 局所的時間符号化プロセスは、個々のステーションにおける限られた歴史的データからも意味のある時間的パターンを効果的に抽出できた。
• 新規運用履歴のないステーションに対しても、モデルは頑健な性能を維持しており、前向きな需要予測の能力を示した。