[论文解读] 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 2

一句话总结

本文提出了一种具有局部时间与空间编码的图卷积神经网络，用于动态预测电动汽车共享站点需求。在真实世界数据上，该方法通过有效建模站点间的时间动态与空间相关性，优于最先进方法。

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.

研究动机与目标

• 为解决在快速扩展的电动汽车（EV）共享系统中准确预测动态需求的挑战。
• 对单个站点的历史站点使用数据中的时间模式进行建模。
• 利用图卷积神经网络（GCNs）基于网络拓扑结构捕捉站点间的空间依赖性。
• 提高对整个网络长期预期需求的预测准确性。
• 支持电动汽车共享平台的运营效率与资源分配。

提出的方法

• 对每个独立站点的历史数据应用局部时间编码过程，以提取时间模式。
• 使用图卷积神经网络（GCNs）基于其网络拓扑结构对站点间的空间相关性进行建模。
• 将编码后的时间与空间特征融合为统一表征，用于需求预测。
• 将融合后的特征输入预测网络，以预测每个站点的长期预期需求。
• 在主要电动汽车共享平台的真实世界数据上端到端训练模型。
• 使用标准深度学习损失函数优化模型，以最小化预测误差。

实验结果

研究问题

• RQ1 结合局部时间编码与图卷积神经网络的混合模型是否能提升电动汽车共享系统中的需求预测准确性？
• RQ2 站点间空间相关性在多大程度上可被有效捕捉并用于需求预测？
• RQ3 所提出方法在真实世界电动汽车共享数据上相较于现有最先进方法的性能提升程度如何？
• RQ4 该模型在具有不同使用模式的各类站点上泛化能力如何？
• RQ5 同时整合时间动态与空间结构对长期需求预测的影响是什么？

主要发现

• 所提出方法在真实世界电动汽车共享数据上显著优于现有最先进方法。
• 局部时间编码与图卷积神经网络的结合增强了对时间与空间动态的建模能力。
• 通过有效捕捉地理位置相近站点之间的相关性，模型实现了更优的预测准确性。
• 该方法在不同类型的站点及多样的使用模式下展现出强大的泛化能力。
• 结果证实，联合建模时间与空间特征可带来更可靠的长期需求预测。