[论文解读] A Deep Learning Approach for Macroscopic Energy Consumption Prediction with Microscopic Quality for Electric Vehicles

Ayman Moawad, Krishna Murthy Gurumurthy+5 more|arXiv (Cornell University)|Nov 24, 2021

Transportation Planning and Optimization被引用 4

一句话总结

本文提出一种深度学习模型，仅使用高层次的路线数据（无需微观速度轨迹）即可预测电动汽车的宏观能耗，方法是利用大规模、高保真度的仿真数据集。尽管隐藏了详细的车辆动力学信息，该模型仍实现了高精度（R² > 0.98）和低推理延迟（每次预测 ≤50 ms），可实现实时集成到大型交通仿真系统（如 POLARIS）中。

ABSTRACT

This paper presents a machine learning approach to model the electric consumption of electric vehicles at macroscopic level, i.e., in the absence of a speed profile, while preserving microscopic level accuracy. For this work, we leveraged a high-performance, agent-based transportation tool to model trips that occur in the Greater Chicago region under various scenario changes, along with physics-based modeling and simulation tools to provide high-fidelity energy consumption values. The generated results constitute a very large dataset of vehicle-route energy outcomes that capture variability in vehicle and routing setting, and in which high-fidelity time series of vehicle speed dynamics is masked. We show that although all internal dynamics that affect energy consumption are masked, it is possible to learn aggregate-level energy consumption values quite accurately with a deep learning approach. When large-scale data is available, and with carefully tailored feature engineering, a well-designed model can overcome and retrieve latent information. This model has been deployed and integrated within POLARIS Transportation System Simulation Tool to support real-time behavioral transportation models for individual charging decision-making, and rerouting of electric vehicles.

研究动机与目标

• 通过仅使用路线级输入实现对电动汽车宏观能耗的准确预测，无需依赖详细的速度轨迹。
• 通过在大规模、高保真度仿真数据上训练深度学习模型，克服因内部动力学被隐藏而导致的信息损失问题。
• 通过将轻量级、可扩展的能耗预测模型集成到 POLARIS 中，支持大规模交通系统中的实时行为建模。
• 支持在不同驾驶行为和情景条件下，对充电需求、路径选择和电网影响进行更优的预测。
• 证明即使内部动力学被隐藏，深度学习仍能从聚合层面数据中恢复有意义的能耗模式。

提出的方法

• 本研究使用 POLARIS 代理模型仿真框架，在不同情景下对芝加哥大都会区的出行行为进行建模，涵盖不同车型、驾驶行为和充电模式。
• 利用基于物理的 Autonomie 仿真工具生成高保真度的能耗数据，构建大规模的车辆-路线能耗结果数据集。
• 输入数据中隐藏了微观速度动态信息，仅保留宏观路线级特征，如路段长度、平均速度和道路类型。
• 在掩码后的数据集上训练一种结合卷积神经网络与循环神经网络架构的深度学习模型，以预测路段级能耗。
• 特征工程经过精心设计，将相关物理与行为因素（如车辆类别、电池容量、交通状况）编码到输入表示中。
• 将模型部署于 POLARIS 中，实现实时能耗与荷电状态（SOC）预测，性能开销极小（每次预测 ≤50 ms）。

实验结果

研究问题

• RQ1 仅使用宏观路线输入而无微观速度轨迹的情况下，深度学习模型能否准确预测电动汽车的路段级能耗？
• RQ2 在内部动力学被隐藏的条件下，模型在多大程度上能恢复驱动能耗的潜在物理关系？
• RQ3 在大型城市区域中，该模型在不同车型、交通状况和情景变化下的性能表现如何？
• RQ4 在大规模实时交通仿真中，该模型的计算效率如何？
• RQ5 此类模型能否有效集成到 POLARIS 等大规模代理模型系统中，以支持动态充电与路径决策？

主要发现

• 该深度学习模型在预测路段级能耗时 R² 分数超过 0.98，表明即使缺乏微观速度数据，仍具有极高精度。
• 模型保持了极低的推理延迟，每次预测耗时 ≤50 ms，支持在大规模仿真中实现实时部署。
• 模型成功从聚合数据中恢复了隐藏的物理关系，在类似设置下优于依赖详细速度轨迹的传统方法。
• 将模型集成到 POLARIS 后，保持了高水平的仿真性能，对整体运行时间和可扩展性影响极小。
• 该方法可实现对区域充电需求和 SOC 衰减的精准预测，支持生态路径规划、车队管理与电网规划等应用。
• 结果表明，大规模、多样化且结构良好的仿真数据集可有效弥补深度学习能耗预测中缺失的微观数据。