[논문 리뷰] A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural Recommender System

Ayman Moawad, Zhijian Li외 7명|arXiv (Cornell University)|2021. 10. 21.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

이 논문은 고속도로 및 도로의 주요 특성 정보만을 사용하여 에너지 효율성과 총 소유비용(TCO)을 기반으로 중·대형 화물차에 최적의 경로를 실시간으로 할당하는 신경망 기반 추천 시스템을 제안한다. 대규모 시뮬레이션 데이터로 훈련된 딥러닝 모델을 활용하여 에너지 소비를 예측하고, 차량-경로 할당을 실시간으로 빠르고 정확하며 확장 가능하게 가능하게 하여 물류 팀 최적화를 지원한다.

ABSTRACT

This paper presents a neural network recommender system algorithm for assigning vehicles to routes based on energy and cost criteria. In this work, we applied this new approach to efficiently identify the most cost-effective medium and heavy duty truck (MDHDT) powertrain technology, from a total cost of ownership (TCO) perspective, for given trips. We employ a machine learning based approach to efficiently estimate the energy consumption of various candidate vehicles over given routes, defined as sequences of links (road segments), with little information known about internal dynamics, i.e using high level macroscopic route information. A complete recommendation logic is then developed to allow for real-time optimum assignment for each route, subject to the operational constraints of the fleet. We show how this framework can be used to (1) efficiently provide a single trip recommendation with a top-$k$ vehicles star ranking system, and (2) engage in more general assignment problems where $n$ vehicles need to be deployed over $m \leq n$ trips. This new assignment system has been deployed and integrated into the POLARIS Transportation System Simulation Tool for use in research conducted by the Department of Energy's Systems and Modeling for Accelerated Research in Transportation (SMART) Mobility Consortium

연구 동기 및 목표

• 다양한 운영 조건과 경제적 조건에서 화물차의 최적의 파워트레인 기술을 선택하는 데 도전하는 데 목적이 있다.
• 세부 주행 프로파일이 필요로 하지 않는 매크로스코픽 경로 정보만을 사용하여 정확한 에너지 소비 예측을 가능하게 하여 미세한 주행 데이터 의존도를 줄이기 위한 것이다.
• 총 소유비용(TCO) 지표를 기반으로 실시간, 확장 가능하고 비용 효율적인 차량 할당을 지원하기 위한 것이다.
• POLARIS 에이전트 기반 이동 시뮬레이션 프레임워크에 추천 시스템을 통합하여 실세계 적용을 위한 것이다.
• 단일 경로 추천과 동시에 n대의 차량이 m번의 경로를 수행하는 일반화된 팀 할당 문제를 해결하기 위한 것이다.

제안 방법

• 시스템은 세부 속도 프로파일이 필요로 하지 않고, 도로의 길이, 속도, 경사도 등의 고수준 경로 특징에서 잠재적인 에너지 소비 패턴을 학습하기 위해 딥 뉴럴 네트워크를 사용한다.
• 에너지 예측은 시카고의 화물 네트워크에 대한 에이전트 기반 시뮬레이션과 고정밀 차량 시스템 모델을 결합하여 생성된 대규모 데이터셋을 기반으로 훈련된다.
• 톱-k 랭킹 모듈은 연료/전기 비용, 차량 감가상각, 운영 제약 조건을 고려하여 각 경로에 대해 가장 비용 효율적인 차량을 추천한다.
• 프레임워크는 배달 창, 적재량, 충전/충전 시간 등의 제약 조건을 고려하여 다수의 경로에 걸쳐 차량 배치를 최적화함으로써 일반화된 할당 문제를 지원한다.
• 모델는 실시간 쿼리 및 대규모 화물 시스템 모델링에의 통합을 가능하게 하기 위해 POLARIS 시뮬레이션 도구 내부에 구현된다.
• 특징 공학은 미세한 데이터가 누락된 상황에서 의미 있는 매크로스코픽 입력을 추출하여 모델의 일반화 능력과 효율성을 향상시키는 데 중점을 둔다.

실험 결과

연구 질문

• RQ1 세부 속도 프로파일이 없이도 고수준 경로 정보만을 사용하여 딥러닝 모델이 차량의 에너지 소비를 정확하게 예측할 수 있는가?
• RQ2 실시간으로 이 시스템이 특정 경로에 대해 총 소유비용(TCO)이 가장 낮은 차량-파워트레인 조합을 효과적으로 식별할 수 있는가?
• RQ3 이 프레임워크는 다수의 차량과 경로를 포함하는 확장 가능한 팀 할당 문제를 어느 정도 효과적으로 지원할 수 있는가?
• RQ4 정밀한 주행 데이터가 필요한 기존 방법과 비교했을 때 정확도와 계산 효율성 측면에서 이 시스템의 성능은 어떠한가?
• RQ5 이 시스템은 대규모 에이전트 기반 이동 시뮬레이션에 효과적으로 통합되어 실세계 적용이 가능한가?

주요 결과

• 신경망 모델은 세부 주행 동역학을 특징 공학을 통해 효과적으로 포착함으로써 매크로스코픽 경로 특징만을 사용하여 에너지 소비 예측에 높은 정확도를 달성한다.
• 시스템은 낮은 계산 오버헤드로 실시간 차량 추천을 가능하게 하여 POLARIS와 같은 대규모 시뮬레이션 플랫폼에의 통합에 적합하다.
• 톱-k 랭킹 기능은 다양한 차량 및 경로 구성 조건에서 총 소유비용(TCO)을 최소화하는 가장 비용 효율적인 파워트레인 옵션을 성공적으로 식별한다.
• 일반화된 할당 모듈은 배달 창, 충전 시간 등의 운영 제약 조건을 고려하여 다수의 차량을 다수의 경로에 효과적으로 할당한다.
• 이 프레임워크는 성공적으로 POLARIS 에이전트 기반 시뮬레이션 도구에 구현 및 통합되어 화물 팀 운영자에게 실시간 의사결정 지원을 제공한다.
• 이 방법은 고해상도 속도 데이터 의존도를 줄여 실세계 화물 팀 관리 응용 분야에서 확장 가능하고 실용적인 솔루션을 제공한다.