[论文解读] A Real-Time Energy and Cost Efficient Vehicle Route Assignment Neural Recommender System

Ayman Moawad, Zhijian Li+7 more|arXiv (Cornell University)|Oct 21, 2021

Traffic Prediction and Management Techniques被引用 6

一句话总结

本文提出了一种基于神经网络的实时推荐系统，仅使用高层次的路线数据，即可根据能效和总拥有成本（TCO）为中重型卡车分配最优路线。通过利用在大规模仿真数据上训练的深度学习模型，该系统能够预测能耗，并实现实时、准确且可扩展的车队优化车辆-路线分配。

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

研究动机与目标

• 解决在不同运行和经济条件下为货运卡车选择最优动力系统技术的挑战。
• 通过仅使用宏观路线信息实现准确的能耗预测，减少对微观驾驶数据的依赖。
• 基于TCO指标，支持实时、可扩展且成本效益高的车队车辆分配。
• 将推荐系统集成到POLARIS基于代理的交通仿真框架中，以实现真实世界部署。
• 支持单趟路线推荐以及n辆车辆在m趟行程上的通用车队分配问题。

提出的方法

• 该系统使用深度神经网络，从高层次的路线特征（如路段长度、速度和坡度）中学习潜在的能耗模式，而无需详细的速度剖面数据。
• 能耗预测基于将芝加哥货运网络的基于代理仿真与高保真车辆系统模型相结合生成的大规模数据集进行训练。
• 采用top-k排序模块，基于TCO（包括燃油/电力成本、车辆折旧及运营约束）为每趟行程推荐最经济的车辆。
• 通过优化车辆在多趟行程中的部署，该框架支持通用分配问题，同时遵守交货时间窗、载重和补能/充电时间等约束。
• 该模型已部署于POLARIS仿真工具中，支持实时查询，并可集成到大规模货运系统建模中。
• 特征工程聚焦于提取有意义的宏观输入，以弥补缺失的微观数据，从而提升模型的泛化能力和效率。

实验结果

研究问题

• RQ1 仅使用高层次路线信息（无需详细速度剖面）时，深度学习模型能否准确预测车辆能耗？
• RQ2 该推荐系统在实时识别特定路线上最低TCO车辆-动力系统组合方面的有效性如何？
• RQ3 该框架在支持涉及多辆车辆和多趟行程的可扩展车队分配问题方面，其能力达到何种程度？
• RQ4 与需要微观驾驶数据的方法相比，该系统在准确性和计算效率方面表现如何？
• RQ5 该系统能否有效集成到大规模基于代理的交通仿真中，以实现真实世界部署？

主要发现

• 神经网络模型仅使用宏观路线特征即可实现高精度的能耗预测，通过特征工程有效捕捉了潜在的微观驾驶动态。
• 该系统实现了低计算开销的实时车辆推荐，适用于集成到POLARIS等大规模仿真平台中。
• top-k排序功能成功识别出每条路线最经济的动力系统选项，显著降低了多样化车辆与路线配置下的TCO。
• 通用分配模块能够有效部署多辆车辆在多趟行程中，同时遵守交货时间窗和充电时间等运营约束。
• 该框架已成功部署并集成到POLARIS基于代理的仿真工具中，为货运车队运营商提供了实时决策支持。
• 该方法减少了对高分辨率速度数据的依赖，使其在真实世界车队管理应用中更具可扩展性和实用性。