[논문 리뷰] Dynamic Demand Prediction for Expanding Electric Vehicle Sharing Systems: A Graph Sequence Learning Approach.

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

Transportation and Mobility Innovations참고 문헌 17인용 수 6

한 줄 요약

이 논문은 확장 중인 전기자동차(EV) 공유 시스템에서의 동적 수요 예측을 위한 그래프 시퀀스 학습 방법을 제안한다. 지역적 시간 인코딩과 그래프 컨volution 네트워크 기반의 동적 공간 인코딩을 통해 시간적 및 공간적 종속성을 모델링한다. 실제 상하이 EV 공유 데이터 기반으로 최신 기술 대비 최대 3배 성능 향상을 달성한다.

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.

연구 동기 및 목표

• 신규 정류장에 역사적 데이터가 없을 경우에도 지속적인 확장 과정에서 EV 공유 시스템의 수요를 예측하는 데 도전하는 것.
• 기존 정류장의 수요 패턴에 영향을 미치는 정류장 신규 설치 및 폐쇄의 복잡한 시공간 영향을 실시간으로 모델링하는 것.
• 변화하는 시스템을 대비해 장기 예상 수요와 단기 즉각 수요를 정확하게 예측할 수 있도록 하는 것.
• 동적 시스템 변화 시 실패하는 기존 정적 또는 단계별 예측 모델의 한계를 극복하는 것.

제안 방법

• 개별 정류장의 역사적 수요 데이터에서 시간 패턴을 추출하기 위해 국소적 시간 인코딩 프로세스를 활용한다.
• 그래프 컨볼루션 네트워크 기반의 동적 공간 인코딩 메커니즘을 사용하여 정류장 간의 변화하는 공간 상관관계를 모델링한다.
• 시간 및 공간 인코딩을 통합하여 다양한 시간 간격의 수요를 예측하기 위한 다중 척도 예측 네트워크를 구성한다.
• 신규 정류장이 추가되거나 제거될 때 그래프 구조를 동적으로 업데이트하여 시스템 진화 과정 동안 공간 종속성 모델링을 유지한다.
• 새로운 정류장이 이동성 또는 수요 기록이 없더라도 그래프 컨볼루션 네트워크를 활용해 비선형 공간 종속성을 포착할 수 있다.
• 실제 데이터 기반으로 엔드 투 엔드로 모델을 훈련하여 장기적 및 근접 미래 수요 예측을 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 역사적 데이터가 전혀 없는 상황에서 신규 정류장이 도입되기 전에 EV 공유 시스템 내 수요를 정확하게 예측할 수 있는가?
• RQ2 정류장의 설치 및 폐쇄가 동적 시스템 내 기존 정류장의 수요 패턴에 어느 정도의 영향을 미치는가?
• RQ3 통합된 모델이 확장 중인 EV 공유 네트워크에서 장기 예상 수요와 단기 즉각 수요를 효과적으로 예측할 수 있는가?
• RQ4 제안된 그래프 시퀀스 학습 방법이 시스템 확장 기간 동안 기존 최신 기술 대비 예측 성능에서 어떻게 비교되는가?

주요 결과

• 제안된 모델은 급속도로 확장되는 EV 공유 시스템의 수요 예측에서 최신 기술 대비 최대 3배 성능 향상을 달성한다.
• 실제로 상하이의 주요 EV 공유 플랫폼에서 1년 간의 데이터 기반으로 기존 접근 방식보다 뚜렷한 성능 향상을 보였다.
• 동적 공간 인코딩 통합 덕분에 신규 정류장 설치가 이루어지는 시스템 진화 기간 동안에도 공간 종속성을 정확하게 모델링할 수 있었다.
• 다중 척도 예측 네트워크는 높은 정밀도로 장기적 추세와 단기적 변동을 효과적으로 포착했다.
• 국소적 시간 인코딩 프로세스는 개별 정류장의 제한된 역사적 데이터로부터 의미 있는 시간 패턴을 효과적으로 추출했다.
• 기존 운영 역사를 전혀 갖지 않은 정류장에 대해서도 모델이 강력한 성능을 유지하여 사전 수요 예측 능력을 입증했다.