[논문 리뷰] Dynamic Demand Prediction for Expanding Electric Vehicle Sharing Systems

Man Luo, Hongkai Wen외 4명|arXiv (Cornell University)|2019. 03. 10.

Transportation and Mobility Innovations참고 문헌 17인용 수 2

한 줄 요약

이 논문은 전기자동차 공유 정류장 수요를 동적으로 예측하기 위해 국소적 시간적 및 공간적 인코딩을 갖춘 그래프 컬러션 신경망을 제안한다. 실제 데이터에서 최신 기술 대비 뛰어난 성능을 발휘하며, 정류장 간의 시간적 동적 변화와 공간적 상관관계를 효과적으로 모델링한다.

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.

연구 동기 및 목표

• 빠르게 확장되고 있는 전기자동차(EV) 공유 시스템에서 동적 수요를 정확히 예측하는 데 도전한다.
• 개별 위치에서의 역사적 정류장 이용 데이터의 시간 패턴을 모델링한다.
• 정류장 간의 공간적 의존성을 그래프 컬러션 신경망을 통해 모델링한다.
• 네트워크 전반의 장기적 기대 수요에 대한 예측 정확도를 향상시킨다.
• EV 공유 플랫폼의 운영 효율성 및 자원 배분을 지원한다.

제안 방법

• 각 개별 정류장에서의 역사적 데이터로부터 시간 패턴을 추출하기 위해 국소적 시간 인코딩 프로세스를 적용한다.
• 정류장 간의 네트워크 구조를 기반으로 그래프 컬러션 신경망(GCNs)을 사용하여 공간적 상관관계를 모델링한다.
• 인코딩된 시간적 및 공간적 특징을 융합하여 통합된 표현을 생성하여 수요 예측에 활용한다.
• 융합된 특징을 예측 네트워크에 입력하여 각 정류장의 장기적 기대 수요를 예측한다.
• 주요 EV 공유 플랫폼의 실제 데이터를 기반으로 엔드 투 엔드 모델을 훈련시킨다.
• 예측 오차를 최소화하기 위해 표준 딥러닝 손실 함수를 사용하여 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 국소적 시간 인코딩과 그래프 컬러션 신경망을 융합한 하이브리드 모델이 EV 공유 시스템의 수요 예측 정확도를 향상시킬 수 있는가?
• RQ2 정류장 간의 공간적 상관관계는 얼마나 효과적으로 포착되고 활용될 수 있는가?
• RQ3 실제 EV 공유 데이터에서 제안된 방법이 기존 최신 기술 대비 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 다양한 이용 패턴을 보이는 정류장 간에서 모델의 일반화 능력은 얼마나 뛰어난가?
• RQ5 시간적 동적 변화와 공간적 구조를 함께 통합함으로써 장기 수요 예측에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 실제 EV 공유 데이터에서 기존 최신 기술 대비 뚜렷이 뛰어난 성능을 발휘한다.
• 국소적 시간 인코딩과 그래프 컬러션 신경망의 통합은 시간적 및 공간적 동적 특징의 모델링을 향상시킨다.
• 지리적으로 가까운 정류장 간의 상관관계를 효과적으로 포착함으로써 뛰어난 예측 정확도를 달성한다.
• 다양한 정류장 유형과 이용 패턴에 걸쳐 강력한 일반화 능력을 보여준다.
• 시간적 및 공간적 특징을 동시에 모델링함으로써 더 신뢰할 수 있는 장기 수요 예측이 가능하다는 것이 결과적으로 확인되었다.