深度学习算法DeepFEC预测城市实际驾驶条件下的能耗

1880DeepFEC：智能城市实际驾驶条件下的能耗预测摘要赛达·埃尔米新加坡国立大学计算机学院saida@comp.nus.edu.sg陈建利新加坡国立大学计算机学院tankl@comp.nus.edu.sgACM参考格式：世界范围内的空气污染状况都很严重分析和预测汽车的能耗成为人们关注的焦点.车辆能耗不仅取决于速度，还取决于许多外部因素，如道路拓扑、交通、驾驶风格等。获得每个链路的成本（即， 链路能量消耗）在能量最优路径规划过程中起着关键作用。 本文提出了一种新的框架，识别车辆/驾驶环境相关的因素，以预测能源消耗的道路网络的基础上，历史上的消费数据为不同的车辆类型。 我们设计了一个基于深度学习的结构，称为DeepFEC，可以根据实际交通状况预测城市中每条道路的准确能耗。分别采用残差神经网络和递归神经网络对空间和时间的贴近度进行 静态车辆数据反映车辆类型，车辆重量，发动机配置和排量也学习。这些神经网络的输出动态聚合，以提高空间相关的时间序列数据预测。在密歇根州道路网络中行驶的264辆汽油车，92辆混合动力电动汽车和27辆插电式混合动力电动汽车/电动汽车组成的不同车队上进行的广泛实验表明，我们提出的深度学习算法显着优于最先进的预测算法。 为了使结果可再现，代码、使用的 数 据 和 实 验 装 置 的 细 节 可 在 www.example.com 上https://github.com/ElmiSay/DeepFEC。CCS概念• 计算机系统组织→嵌入式系统;数据库;数据集;·神经网络→网络可靠性。关键词智慧城市，能源消费，预测，道路网络，交通状况，时空特征。本作品采用知识共享署名国际协议（Creative Commons AttributionInternational）授权4.0许可证。WWW©2021 IW 3C 2（国际万维网大会委员会），在知识共享CC-BY 4.0许可下发布。ACM ISBN 978-1-4503-8312-7/21/04。https://doi.org/10.1145/3442381.3449983Sayda Elmi和Kian-Lee Tan。2021年DeepFEC：智能城市现实驾驶条件下的能源消耗在网络会议2021（WWW '21）的会议记录，2021年4月19日至23日 ， 斯 洛 文 尼 亚 卢 布 尔 雅 那 。 ACM ， 美国纽约州纽 约 市 ， 11 页 。https://doi.org/10.1145/3442381.34499831引言由于以下原因，人们越来越关注对能源消耗的分析和预测：（i）为了应对汽油和柴油动力车辆造成的污染物排放问题，因为据估计，在快速发展的城市中，90%的城市空气污染归因于车辆排放[34]。（ii）汽油价格一直在攀升，2017年美国439个城市因交通拥堵造成的总经济损失为33亿加仑燃料浪费[20]。因此，很明显，为了减少不必要的燃料浪费，估计能源消耗的有效技术是必不可少的。（iii）电动车司机必须根据估计的能源消耗量制定计划，因为他们担心电动车可能会耗尽电力并停在路上。智能交通系统（ITS）解决方案包括节能路线规划和充电设施引导系统，分别帮助驾驶员优化出行路线和及时找到充电站。能耗预测是路线规划和导航系统的先决条件[14]。此外，预测能源消耗率是一个有用的工具，以促进通行费的动态调整，使高消耗率的连接方向将支付更高的通行费。因此，准确地预测能源消耗不仅对于电动汽车而且对于其他车辆类型（例如：内燃机车辆（ICE）、混合动力电动汽车（HEV）和插电式混合动力电动汽车（PHEV））都非常重要虽然所有电子地图和网约车服务都提供行程时间估算，如Google Map、Uber和Didi，但它们不提供能耗估算。能源消费预测是实现能源消费准确预测的关键. 因此，ECP问题引起了许多研究人员的关注，并在智能交通系统中得到了广泛的研究，但提供准确的能量预测仍然是非常具有挑战性的，因为它与许多因素高度相关。此外，在文献中，每种车辆类型被单独建模，这不便于运输公司在其实际应用中。 据我们所知，我们的模型是第一个预测燃料/能源消耗的不同类型的车辆。这对于1881WWW运输网络公司，例如出租车或公共汽车市场，其可以持有不同的出租车/公共汽车车辆类型（EV、ICE等）并且想要预测在道路网络上流通的所有车辆的消耗。通过我们的通用架构，无需为每种车型使用单独的模型此外，我们还提供了每条链路的能耗率，这对于帮助驾驶员优化出行路线和及时找到备用或充电站非常有用。在现实世界中，车辆能量消耗是可变的，并且取决于许多外部因素，诸如道路拓扑、交通、车辆速度、驾驶风格、环境温度、道路条件、道路等级等。在本文中，我们的目标是预测能源消耗在不久的将来有关的每个路段在一个大型的道路网络的历史观测的基础上。 为此，我们提出了一种名为DeepFEC的深度时空和上下文神经网络，以基于捕获以下模式提供准确的能耗预测：背景模式：背景因素，主要由静态车辆数据表示，如车辆性能、车辆类型、车辆重量、发动机配置和排量，可能会影响能耗的预测空间格局：不同路段之间有很强的依赖性。例如，给定道路的拥堵将影响周围区域，特别是邻近道路。由于能源消耗与交通拥堵高度相关，如果其周围区域发生拥堵，则其将在路段上受到影响因此，能耗预测模型必须考虑不同路段之间的空间相关性。时间模式：时间信息也是影响交通状况的关键因素。例如，繁忙时间的交通情况会比非繁忙时间和周末的情况差得多。因此，能源消耗与一年、一个月和一天中的时间段、高峰时间或假日高度相关。本文的目标是检测道路网络，交通状况，车辆参数，其能源消耗之间的相关性2相关工作在过去的几十年里，人们提出了许多智能交通预测系统。 一些专用于行程时间估计[15，26，30]，另一些用于交通速度预测[16，17]。随着能源问题的日益突出，交通系统的能耗研究已成为当前的一个重要课题排放建模[2，4]已经得到改进，以便更好地评估运输运营效果。特别是，已经为各种车辆开发了瞬时或模态排放模型[24，25]然后，有几个主要类别的方法用于解决ECP。一种是关注发动机的特性[22]，可以根据发动机数据结合相应的发动机循环工况和车辆技术参数计算能耗[23，33]。二是采用碳平衡法计算能源消费量。第三部分是利用影响能源消费的自变量建立能源根据实际车辆观察[12，21]。 为了分析大量数据的车辆性能，Perera和Mo [19]开发了一个用于管理船舶数据的大数据框架，以进行预处理和后处理。数据预处理包括传感器错误检测、数据分类和数据压缩，而数据后处理包括数据扩展、集成验证和数据再生。然而，他们使用简单的回归模型推导出参数之间关系的数学模型，并且没有进行任何研究来验证能源消耗预测的准确性。正如几项研究[1，4]所证明的那样，车辆油耗/排放与其他因素（包括车辆特性（例如，车辆类型和车型年份），道路特性（例如，道路类型和垂直坡度），以及交通状况（例如，速度和拥塞水平），不是线性的，即，预测器和响应之间的关系变得越来越复杂，并且包括高维数据、相互作用、线性和非线性关系。在创建预测模型时，这一点很重要，因为物理和统计模型无法捕捉变量之间复杂的非线性。最近，机器学习已被证明优于经典的统计模型，并适用于燃料消耗预测，因为模型可以通过学习可用数据中的模式来开发。然而，传统上，ML技术尚未应用于这一领域，因为它们需要大量的数据。因此，随着基于全球定位系统（GPS）的跟踪设备、精确燃料传感器的进步，这在今天不再是问题，车主现在能够捕获与车辆位置、速度、发动机状况和燃料消耗相关的高分辨率、多变量时间序列数据集。 广泛的输入数据现在可用并且容易收集，这些数据可以用于非常准确地估计车辆的能量/排放，并且适合于道路导航等实时应用。人工神经网络（ANN）在交通领域得到了积极的研究，以提高回归模型的准确性[29]，包括高维因素和因素之间复杂的交互关系。它们是一种结构化技术，用于建模高度非线性和动态系统以及简单线性系统。当物理关系复杂或事件的性质具有未知属性时，ANN有助于开发适当的模型。一些研究人员已经将使用ANN的回归分析应用于能源消耗预测。Yiman等人 [7]通过使用人工神经网络，基于历史浮动车辆数据的大样本探索了能源消耗模式和拥堵模式。然而，在模型架构的深度方面，深度学习方法的能力尚未在能耗预测中得到利用与现有的ECP模型相比，我们的混合架构充分研究了深度学习技术在深度方面的潜力，利用残差神经网络（ResNet）和递归神经网络（RNN）分别用于学习空间和时间模式。RNN已成功应用于解决交通问题[9，26]，因为它可以自动保留其模型结构中的 作者在[30]中介绍了一种基于双向LSTM（Bi-LSTM）的方法，该方法利用后向信息来提高记忆能力。这些方法1882∈R {}R {}R R {}∈∈R−1 −R−1−R−1Xr，t=0..DeepFEC：智能城市现实驾驶条件下的能源消耗预测WWW21，2021年4月19日至23日取得了比统计方法更好的效果。然而，这些尝试仍然主要集中在一个单一的位置的交通演变的时间相关性因此，卷积神经网络（CNN）已成功应用于交通问题[17，32]，考虑到从道路网络中导出的空间相关性为了对空间特征进行非常深入的结构建模，作者在[15，31]中提出了残差学习（ResNet）。为了提供更准确的预测，我们提出的模型Deep-FEC以合理的方式将残差神经网络和Bi-LSTM结合起来，利用它们的优势，然后学习上下文车辆静态数据的依赖性3问题定义在本节中，我们提出了我们论文的问题定义作为参考，表1中给出了符号的总结。表1：符号总结。符号定义道路网，=r1，r2，. . .，rRR道路段或连接的数量。Xt在一个位置处随时间变化的EC向量。Xr，tEC张量（随时间和道路网络）。N时隙的数量Y车辆张量Z速度张量我们假设汽车配备了传感器和设备，可以捕获GPS轨迹以及能源消耗，车速和辅助电源使用的时间序列数据。定义3.1. 公路网。 我们用一组路段= r1，r2，.，rn来表示一个城市。. . ，rR，其中R表示r路段的总数|R|.在一个位置处，能量消耗可以由向量Xt表示，其是具有N个历史时隙的能量消耗X的序列Xt =[xt −N，xt −（N −1），. . . ，xt −2，xt −1，xt]（1）一个位置的交通状况可能受到附近和远处位置的影响 由于交通状况对能源消耗的影响很大，我们设计了一个时空机器人，记录道路网络中每个路段随时间的消耗数据。定义3.2. 能量消耗张量。给定道路网络和时隙t1，t2，. . . ，tN，我们使用三维张量X RR×N ×C，其中C表示消耗的维数，用于所有时隙中的路段的运动数据x（r，t，x）的组合是唯一的。该矩阵可表示如下：如在等式2中，行向量包含来自连续时间间隔（从t到t-N）的相同路段中的消耗数据，列包含在相同时隙的所有R个路段中的消耗数据。定义3.3. 车辆张量。 我们使用一个三维张量YRR，N，V来表示车辆的特征，这些车辆在N个时隙中记录R个路段的能量消耗。V表示车辆特征向量的维度，即， 车辆类型、车辆重量、发动机配置和发动机排量。Yr，t表示时隙t中的路段r的特征向量。（r，t，y）的组合是唯一的。X中的每个能耗数据由Y中记录的车辆给出。 每辆车都有特殊的特征，在捕捉能源消耗模式时应予以考虑。 详细信息见第4节。定义3.4. 速度张量我们使用一个三维张量Z RR，N，S来表示所有路段在所有时隙中的速度特征。S表示N个时隙中R个路段的速度特征向量的维数 矩阵Zr，t表示随时间针对路段记录的平均速度数据。问题定义：给定特征张量X、Y和Z，分别表示R个路段上的前N个时隙的消耗、车辆和速度特征，我们的目标是预测下一个时隙t+p中城市中所有区域的能量消耗，其中p是要预测的时隙的数量拥有每条道路的能源消耗有助于做出关于选择旅行轨迹的决定，不仅基于距离或旅行时间，而且还基于能源消耗，这越来越重要，因为在能源经济的改善中，我们可以列出一些：省钱，减少气候变化，减少石油依赖成本，提高能源可持续性等。4方法4.1框架如图1所示，DeepFEC的架构包括四个主要组件，它们是：（i）对静态车辆数据（例如车辆类型、车辆重量、发动机配置和发动机排量）进行建模的上下文提取层，以及（ii）对空间演变进行建模的若干残差层，（iii）递归层，更具体地说，我们使用Bi-LSTM组件对时间依赖性进行建模，以及（iv）分别用于捕获天气和能量消耗为了从静态车辆数据中学习，我们使用嵌入层来捕获车辆类型的模式（例如，ICE、HEV、PHEV、EV）、车辆重量、发动机配置和发动机排量。在预训练的单词嵌入的情况下，嵌入层最常用于纯选择。但是，它可以提供更多，特别是处理神经网络中的分类数据在我们xr 1，t-N. . .xr 1，t −1xr1，txr2，t-N. . .xr2，t −1xr2，t在这种情况下，它被用作一个密集层，以捕捉能源消耗和车辆特性之间的相关性xr，t N. . .xr，t 1xr，txrR，t-N。. .xrR，t −1xrR，t因为它具有非常深的结构，可以有效地捕获空间交通动力学从附近和遥远的地区，. . ..（二更）为了学习空间模式，DeepFEC采用残差单元1883∈RRWWW对能源消耗的影响作为输入，残差层采用能耗数据矩阵Xr，t。 我们还将速度矩阵Zr，t输入模型，以帮助从交通速度和能耗之间的强相关性中学习特征。 空间学习组件与每个残差单元中的卷积神经网络共享相同的道路网络拓扑。这样的结构捕捉周围区域的空间交通动态。在提取空间模式之后，我们重新塑造这些特征以适合时间序列学习并馈送到RNN层，更具体地说，Bi-LSTM作为RNN的更深层次变体用于序列建模。图1：DeepFEC：混合架构。能源消耗受到交通拥堵的显著影响。 由于某一天上午8点发生的交通拥堵将与第二天上午8点发生的交通拥堵几乎相同，这意味着早高峰时段的能源消耗可能与连续工作日/周相似，每24小时重复一次。因此，我们将周期性时间间隔的能量消耗和速度向量馈送到全连接层（FC）中以捕获这种时间动态。通过Tanh函数，输出被聚合。4.2车辆特征提取在我们的模型中，我们使用一种热编码方法将描述车辆类型、车辆重量、发动机配置和发动机排量的类别数据转换为低维整数向量。这些分类变量被认为隐藏和掩盖了许多有趣的模式，用于能源消耗预测，可能是模型中最重要的特征。包含静态车辆数据（车辆类型、发动机配置、排量和重量）的一种可能方法是使用密集层。然而，道路和时间的每个组合都有一辆车，它的速度和能量排放。嵌入层有效地利用查找操作来匹配能量数据和静态数据。然后，我们可以让嵌入层做密集层的工作嵌入层学习用密集向量表示车辆。它从学习矩阵中向上实体嵌入[5]（如图所示用于处理分类变量，因为发现具有实体嵌入的神经网络生成更好的结果，并且可以有效地和高效地处理这些变量。 它最常用于纯选择，在预训练的单词嵌入的情况下。但是嵌入层有更多的功能，特别是在处理神经网络中的分类数据时它们在这种情况下起着致密层的作用，只是没有活化和偏置，是纯粹的点积。 它们从学习的矩阵中查找并输出稠密向量。嵌入层通过更新矩阵（权重）来学习 它学习用密集向量表示静态数据车辆。4.3空间和速度模式提取由于卷积神经网络在从相邻像素捕获空间特征方面的良好性能，它已被广泛用于图像数据分析[13]。由于能量消耗与交通高度相关并且交通演进受到道路网络的限制（即，给定道路的交通状况受到相邻路段交通的影响），因此我们设计了一个卷积层，将道路网络的拓扑结构嵌入到卷积中，以捕获更有意义的空间特征。 为了拥有100层甚至超过1000层的超深度卷积结构，我们使用了深度残差学习[11]，它在多个具有挑战性的识别任务上显示出了优异的结果，包括图像分类，定位，分割和对象检测[11]。道路网络图：(a) 道路网络（b）毗邻道路网图2：道路网络及邻近道路矩阵。设为路段r的集合。 我们使用R。S和R。E表示路段R的开始和结束。如图2a所示，道路网络是一组道路段，在图中由链路表示链路是两个交叉部分之间的一对节点，例如， 节点1和节点2分别是链路1的开始节点和结束节点。 为了在数学上表示道路网络拓扑，我们使用如图2b所示的相邻道路矩阵，由A表示，其记录每个路段r∈ R的所有相邻道路，其中Ar={r，r′∈R|R. s=r′。e或rr。e=r′。s}（3）1884|R|R{||∀∈R}| R|×|×X（）下一页r，t（）X∗× ×（）（）.XX∈X（）F（）∈其相邻的r载荷，并具有尺寸|R|×D×n. 注意r，tr，tr，tr，tr，tΣ（）（）DeepFEC：智能城市现实驾驶条件下的能源消耗预测WWW21，2021年4月19日至23日则A包含所有Arr尺 寸 为其中D=max Ar，r，即，中所有道路的最大相邻道路数。 对于图2所示的道路网络，我们有= 5和D= 3，因为我们考虑了直接连接到r的道路以及r本身。由于不同道路的相邻段集合具有不同的大小，我们用没有相邻道路并且具有非常小的能量消耗值的虚拟道路rv填充A中的每个空列，使得当其被缩放时，其值变为-1。在训练和测试期间，我们将虚拟道路rv包括在输入训练数据中，但是在训练数据的输出上，我们将其删除，因此我们的网络没有学习预测rv，而是充当我们数据集中的填充残留装置：残留装置的组件见图3。它包含“查找层（LK）+卷积（Conv）+批量归一化（BN）”的三种组合。的融合能量消耗矩阵Xr，t和速度矩阵Zr，t两者为图4：查找操作。得到（l+1）。由第k个滤波器卷积的第k个矩阵可以用公式表示如下Xl，k =[Xl，k，. . . ，xl，k，. . . ，xl，k]（5）需要获得能量消耗的单个矩阵，由（X，Z）r，t表示一对路段和时隙的速度。哪里l，k。1我（l−1）|R|l，kl，k首先，我们将其输入残差块。需要一个查找层来嵌入道路网络拓扑。在单个残差单元中使用卷积堆栈来理解距离较远的位置之间的连接。我们尝试在Conv层之后进行批量归一化，以获得更快的训练速度。xi=fLK（（X，Z）r，t，A）<$W+b（六）图3：残留单位。查找操作：给定记录在X、Z、r、t中的能耗和交通速度数据，由相邻道路矩阵A表示的道路网络的拓扑X⑴=LK（（X，Z）⑴，A）⑷此操作旨在执行嵌入矩阵中的查找并返回A的嵌入。嵌入矩阵将看起来像来自矩阵X，Z r，t的A中相邻道路的能量和速度值的向量。（l）表示查找的结果操作，不仅包含能量和速度值，图5：3D卷积。这里，表示使用第k个滤波器W1的卷积运算，k，f是激活函数，例如，整流器ReLU f x=max 0，x，其在减少梯度消失的问题方面实现了训练有效性，W 1，k和b1，k是具有第k个滤波器的第l层中的可学习参数。 我们使用维度为1 D 2的3D滤波器，其中D是相邻道路矩阵A的列数。该滤波器旨在强调相邻道路的空间特征。为了对大型城市范围内的依赖关系进行建模并连接较远的道路，我们仍然需要深度网络来拥有更多的连续层。为了解决这个问题，我们在我们的模型中采用了残差学习[11]。|在n个时隙上传输，而且传输的能量和速率值|roadsoverntime-slots,butalsotheenergyands peedvaluesof添加的虚拟道路rv在LK操作中充当占位符我们堆叠几个剩余单元如下：（X，Z）（1+1）=（X，Z）（1）+F（X，Z）（l），θ（l）（七）图4详细描述了LK结果为了模拟交通状况，LK构造了一个张量，（l）R |R|×D×n，三维分别代表路段、相邻道路和时隙。如图4所示，条目（l）i，j，k=x表示道路i的第j条相邻道路在时隙k中的能量和速度值。卷积：卷积层的输入是交通道路张量（l）。我们使用3D卷积层来提取空间矩阵的特征，如图5所示。 输出层用于生成考虑速度特征的能量预测。 在任意第l层，我们使用k（l）个滤波器来卷积和连接所有矩阵其中X，Z（l）和X，Z（l+1）是第l个残差单元;是残差函数，例如如图3所示的“LK + Conv + BN”和θ（1）的三个组合的堆栈包括第1个残差单元中的所有可学习参数。4.4时间特征提取在K个剩余单元之后，我们使用RNN模型来学习考虑周围区域的长期时间模式。在K个剩余单位的基础上，我们得到输出张量X，Z，KRn× |R|其中fK是最后第K个Conv层的卷积滤波器数量。我们用时间序列的方式对（X，Z）K进行整形，1885∈∈R[客户端].Σ..ΣΣ.（）/（）−−.ΣWWWFeedintoRNNla ye r. 我们得到张量X′R |R|×n×fK表示在n个时隙中道路ri的速度和能量向量，其中Xi′，t=（X，Z）K[t，i，：]（8）作为RNN的一种变体，LSTM擅长学习长时间序列模式，避免梯度消失的问题[3]。与LSTM相比，双向LSTM（Bi-LSTM）[10]利用了额外的后向信息，从而增强了记忆能力。我们遵循相同的方法来捕获每个时间间隔的时间信息因为我们需要从速度中提取模式，所以有必要注意交通速度受每日、每周或偶尔事件的影响例如，星期一和星期五的交通模式可能非常不同，尽管两者都是工作日。因此，为了学习长期和短期的能量消耗动态，我们训练向量Xi′，t，其记录n个时隙的道路ri上的能量和速度双向LSTM的结构可以由两种类型的连接表示，一种是在时间上向前，这有助于我们从以前的表示中学习，另一种是在时间上向后，这有助于我们从未来的表示中学习当将Xi′，t输入Bi-LSTM时，我们得到第i个隐藏状态前壁和后壁层的→−hi和<$h−i，保留。We然后连接这两个状态以得到第i个隐藏状态hi=→−hi，←h−i。对于给定的LSTM单元，输入门、遗忘门、输出门和输入单元状态可以使用以下等式计算：it=σ<$wiXi′t+uiht−1+bi最后一个元素是下一次迭代的预测能量消耗，EST =[Ei，t-n，. . . ，Ei，t，Ei，t +1]（12）4.5天气和周期特征提取除了车辆、速度、空间和时间特征外，能量消耗还受到周期性等其他复杂因素的影响我们提取和学习这些信息，以进行更准确的预测。 如果我们考虑单个路段，我们可以观察到交通动态周期性地变化，因此，在不同的日子里，在相同的时间间隔内，能源消耗可能是相似的。我们主要考虑三种周期性：时间间隔间周期性：区域内的交通状况受最近时间间隔的影响例如，早上8点发生的交通拥堵会影响早上9点的交通。由于电子商务与交通状况的高度相关性，能源消耗也可以采用同样的方法。我们构造了Pint来设计时间间隔之间的依赖关系.每日周期性：我们可以看到由Pd表示的每日周期性，特别是在工作日，即，在没有特殊条件的情况下，在周三的给定时间间隔（17：00 pm-17：15 pm）的交通状况可以类似于第二天的交通状况。周周期性：在周一的某个时间段（8：00 pm-8：30pm），交通状况在前一个周一的同一时间段显示出类似的趋势。、ft=σ<$wfXi′，t+ufht−1+bfot=σ<$woXi′，t+uoht−1+bo<$t=tanh w<$Xi′，t+u<$ht−1+b<$（九）周，这是由Pw表示的周周期。使用全连接层，我们训练Pint，Pw和Pd分别得到Eint，Ew和Ed。获得关于周期性因子EP的预测能耗值，例如EP=其中wi，wf，wo和wd是映射EwEdEint其中是要获得的结果的串联EP隐藏层输入到三个门和输入单元状态，而ui、uf、uo和ud是将先前单元输出状态连接到三个门和输入单元状态的权重矩阵。bi、bf、bo和bd是四个偏置向量。σ是门激活函数，例如Si<$moid函数σ a = 1 1 + e−a，tanh是双曲正切函数然后，存储器单元和隐藏状态被更新为：此外，对交通动态的观察表明，交通状况受天气的影响很大[16]。这是因为为了安全驾驶，大雨中的车速会比晴天因此，能量消耗应该受到影响。包括温度在内的天气数据是使用解析器从公共数据集中提取的我们结合了天气条件的属性（下雨/晴天/刮风等）。ct=fttht=ottanh（ct）（十）请注意，这些因子是分类值，不能直接馈送到神经网络在我们的模型中，我们使用一种热编码方法将分类数据转换为低维迭代计算前一个滤波器层的输出序列，→−hi使用从时间t n到时间t的正序输入，而使用从时间t n到时间t的反向输入来计算后向层输出s_quence，<$h-i。Bi-LSTM层生成器生成输出向量ET，其中每个元素通过使用以下等式计算：Ei=σ（→−hi，<$h−i）（11）其中σ函数用于组合两个输出序列。类似于LSTM层，Bi-LSTM层的最终输出可以由时空向量EST表示，其中，整数向量在形式上，采用全连通层来提取天气信息，得到EW。然后，如图1所示，共享相同的形状，EP，EW和ST合并。4.6融合仅使用车辆特征来预测能量消耗不足以进行准确的预测。加入到车辆和速度模式提取中的时空学习显著有助于获得更准确的能量预测。 出于这个原因，我们合并所有组件的输出，即，层叠残差神经网络···1886~~L（θ）=||（14）t t||(14)tt~◦L（）[−]DeepFEC：智能城市现实驾驶条件下的能源消耗预测WWW21，2021年4月19日至23日网络和双向LSTM，以及周期性和天气组件，如图1所示。最后，在第t个时间间隔的预测值，用Et表示，定义为：Et=tanh（WSTEST+WPEP+WWEW）（13）其中是Hadamard乘积（即，逐元素乘法），WST、WW和WP是可学习的参数。为了预测Et，我们的模型可以通过最小化预测能量矩阵和真实能量向量之间的均方误差θ来训练，例如22其中θ是DeepFEC模型中的所有可学习参数5实验5.1数据集描述在我们的实验中，我们使用两个数据集来评估我们的模型。详情如下：Safety Pilot Model Deployment（SPMD）1数据库包含密歇根州安娜堡市约3，000名驾驶员的驾驶记录数据是在2015年5月10日至2015年10月18日期间由密歇根大学交通研究所提取的表3：车队的车辆和军用车辆数量车辆类型车辆数量MilestoneICE 249199，000HEV 90 109，000PHEV 24 45 000EV 3 4，000共计366357 0005.1.2动态时间序列数据。 这些数据包括车辆速度、车辆能耗、发动机相关信号和环境空气温度。还报告了时间戳、GPS点（纬度和经度）。5.2预处理除了能源消耗数据，我们还提取了密歇根州的道路网络，这主要是该地区的地理数据。我们将道路网络表示为一个由路段和节点组成的有向图，每个节点是两个路段的交点 每个有向链路是连接两个节点的路段。一条道路由多个环节组成，双向街道是通常表示为具有相反方向的两个有向链路替代品。• 车辆能源数据集（VED）2是一个公共数据集记录每个节点的经度和纬度我们计算每个链路在特定时间的平均能耗提供了2017年11月至2018年11月期间，美国密歇根州各种个人汽车在各种真实驾驶条件下运行的燃料和能源消耗率时间序列数据。该数据集包含从366辆车收集的多样化的车队包括乘用车（轿跑车，掀背车，轿车，敞篷车，跨界车和豪华车）和轻型卡车（皮卡，SUV，小型货车和旅行车）。VED包括车队总共357，000英里的自然驾驶数据。 该数据集由两个主要部分组成：静态数据和动态时序数据。5.1.1静态数据。包括车辆参数，例如车辆类型、发动机配置、发动机排量和车辆重量。不同的参数值详见表2。表2：车辆参数值车辆类型ICE车辆，HEV，PHEV，EV发动机配置I4，V4，V4 Flex，V6 PZEV发动机排量1.0L，2.0L，3.6L车重2500 kg 6000 kg表3详细列出了每一组车辆的数量和累计总里程。在车队行驶的357，000英里中，其中55.7%来自ICE车辆。1https://catalog.data.gov/dataset/safety-pilot-model-deployment-data2https://github.com/gsoh/VED为了了解短期流量周期，我们将一天δ分为不同的时间段（例如，在我们的实验中，一个小时是一个箱子图6：密歇根州道路网络提取。图6说明所提取道路网络的迹线的地理热图如图7所示，链路表示连接两个连续交叉口的路段。通过使用与能量消耗数据相关的链路和GPS点的地理坐标，将动态时间序列数据中描绘的每个能量消耗值与来自密歇根州道路网络的链路相匹配。由于某些道路的历史能耗数据不可用，因此我们使用同一时隙内附近道路的能耗值或同一道路最近时隙的EC值。为了将数据缩放到范围1， 1，我们使用Min-Max归一化方法，然后与实际能量进行比较·1887××R\\\nt=1Et−Et百分百确定. Et-Et。..MAPE=（十七）WWW5.4性能我们使用以下超参数设置训练我们的网络：mini-batch size（48），adam optimizer的学习率（0.001），每个卷积层中的1D过滤器和2 D过滤器，其中D是相邻道路的最大数量，如第4.3节所述。之后，我们继续在完整的训练数据上训练模型固定数量的时期（例如，100、500、1000个时期）。选择最后一周（7天）作为3次提前停止的验证集为了了解周期动力学，我们根据经验将其固定为1-一天和一周。5.4.1评价 我们通过 均 方根 误差 （ RMSE ） 、平 均绝 对 误差（MAE）和平均绝对百分比误差（MAPE）来衡量我们的方法，其中：图7：密歇根链接，1n.ˆΣ2MAE=1|Et−Et|（十六）消费数据，我们将预测值重新调整到非-nt=1通过one-hot编码给出向量对静态车辆数据进行nt=1.Et。天气数据和当天的时间戳5.3基准选择几种流行的算法与我们提出的模型DeepFEC进行比较。多元回归（MR）[4]：用于估计链路能耗，其中自变量包括链路平均交通速度和道路坡度。SVR[27]：用于行程时间估计，支持向量回归（SVR）是一种功能强大的回归方法。ANN：用于[7，19]中的能耗预测RNN[28]：一种递归神经网络（RNN），用于预测时间序列值。GRU（Gated Recurrent Unit）是标准递归神经网络的改进版本，它保留了很久以前的信息，而不会随着时间的推移而清洗或删除与预测无关的信息LSTM[18]：长短期记忆（LSTM）是为了处理训练传统RNN时可能遇到Bi-LSTM[6]：使用双向LSTM将以两种方式运行输入，一种是从过去到未来，另一种是从未来到过去，以测量流量数据预测的向后依赖性。DCNN[17]：用于预测交通速度，它由卷积，池化和全连接层组成。ST-ResNet[31]：通过采用残差网络对时间依赖性进行建模，用于流量预测。LC-RNN[16]：用于速度预测，它由卷积，RNN和全连接层组成。DCNN、ST-ResNet和LC-RNN旨在预测道路网络上的它们的输入是空间速度矩阵，即，中每个路段的速度。 为了评估这些方法的EC预测，我们使用的能量消耗张量作为输入。式中，Et和Et分别为预测能耗值和实际能耗值;n为所有预测值的个数。5.4.2VED数据集的结果 表4显示了处理不同流量预测问题的大多数现有模型的RMSE、MAE和MAPE。我们使用VED数据集将我们的模型DeepFEC与其他10个基准进行时间间隔为一方法RMSEMaeMAPE时间（min）先生SVRANNsLSTMGRUBi-LSTMRNNDCNNLC-RNNST-ResNEt2.4752.5120.8330.7391.9940.7780.8191.9090.9931.0671.5121.5340.5100.4511.2180.4750.5001.1660.6060.6510.1510.1530.0510.0450.1210.0470.0500.1160.0600.0650.630.820.942.61.51.430.940.411.682.22DeepFEC [我们的]深度FEC\Pr深度FEC\WDeepFEC\Sp0.4740.6300.4750.6940.2900.3840.2910.4240.0290.0380.0290.0421.351.271.341.14表4：VED数据集的结果小时，并且要预测的间隔的默认数目是1，即，我们预测在验证集合中每天的下一个小时中的能量消耗同时，我们比较了DeepFEC的所有3种变体与不同的组件：DeepFEC是我们的模型，如图1所示，在DeepFEC Pr和DeepFEC W模型中，我们分别删除了周期性和天气学习，以测量它们的影响，在DeepFEC Sp中，我们评估了捕获速度模式的影响。如表4所示··········RMSE=（十五）正常值。对于车辆、天气和周期性特征，1888DeepFEC：智能城市现实驾驶条件下的能源消耗预测WWW21，2021年4月19日至23日在丢弃天气分量时报告准确性这是因为训练和测试数据来自同一个季节。 如果收集的数据来自不同的季节，可能会有显着的改善。此外，如图9a所示，丢弃周期性学习可能会降低DeepFEC实现的准确度，但不会像速度学习那样降低，这证实了能耗与速度之间的强相关性。因此，在预测能量消耗时考虑速度维度显著提高了准确性。从同一个表中，我们观察到所有这三个模型都优于10个基准。我们可以发现DeepFEC将误差降低到0.474。图8a示出了燃料消耗率（CR）以及车辆位置，那么只需要几秒钟的时间来训练模型。3.532.521.510.501 2 3 4要预测的区间数不同路段报告的估计结果我们在上午（11点）对我们的方法进行评估我们(a) 速度与周期效应(b) 预测时间间隔还示出了我们的方法比较不同路段的实际消耗率和预测消耗率的准确性：（i）链路1：位于NewHudson，MI 48165的停车场，（ii）链路2：是市区的HickoryPointeBoulevard，Ypsilanti，MI 48197，以及（iii）链路3：表示来自FarmingtonHills高速公路的路段。结果显示了我们的模型如何在改变现实交通条件的同时进行预成型的详细示例。例如，当停车场中的速度较低（25.65km/h）时，链路1显示出良好的精度（实际CR 0.874vs预测CR 0.715），当速度较高（78 km/h）时，链路2也显示出良好的精度图9：参数效应。能源消耗率的预测受多种因素的影响。我们主要研究四种影响：驾驶环境对EC预测的影响：在密歇根州的道路网络中，三种驾驶环境（城市道路，高速公路和市中心）存在于我们的数据集中。我们展示了EC预测是如何受到他们每个人的影响。至于速度较高（每小时110公里）的第三路线（2.021比1.967）图8b显示了基准模型以及我们提出的模型给出的在上午时段（11AM）的链路2的预测燃料消耗率（CR）。0.040.0390.0380.0370.0360.0350.4480.44780.44760.44740.44720.4472.521.510.50上午11点的消耗率链接-1链接-2链接-3链接43.532.521.510.50实际利率与预测利率房我们 LSTM GRU Bi-LSTM RNNST-ResNet MRLC-RNN SVR人工神经网络DCNN模型1 2 3 4 5 67试验期(a) 城市道路1.61.41.20.44681 2 3 4 5 67试验期(b) 公路预测(a) [上午时段的(b) 不同型号的性能10.8图8：实际消费率与预测消费率。此外，表4显示了计算效率的研究结果表明，MR、SVR、ANN、RNN和DCNN具有较好的泛化能力，0.60.40.21 2 3 4 5 67试验期(c) 预测Downtown然而，就计算性能而言，我们的模型远远优于这些方法。此外，我们的方法具有比LSTM，GRU，Bi-LSTM，LC-RNN和ST-ResNet更好的时间成本。这是因为深度学习模型的计算成本基本上取决于用于实现最佳准确度的epoch数量我们的计算效率的关键是我们的模型在40个epoch后给出了最佳精度，而其他测试模型可能需要更多的epoch。我们的模型提供了准确性和计算成本之间的良好请注意，报告的结果是用于大型道路网络的能源