Predictive Rerouting of Connected and Automated Vehicles Using Traffic and Charging Demand Forecasts

📄 arXiv: 2610.10532v1 📥 PDF

作者: Tony Kinchen, Ting Bai, Andreas A. Malikopoulos

分类: cs.NI, eess.SY

发布日期: 2026-10-07

备注: 8 Pages

💡 一句话要点

提出基于DCRNN的自动驾驶车辆预测重路由方法以应对交通与充电需求

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 自动驾驶 电动汽车 交通预测 重路由 DCRNN 智能交通 环境影响

📋 核心要点

  1. 现有方法在处理电动汽车充电需求与交通拥堵时，缺乏有效的预测与重路由策略，导致效率低下。
  2. 本研究提出了一种结合DCRNN与多因素路由策略的框架，能够基于历史数据预测交通与充电需求，从而优化CAVs的行驶路线。
  3. 实验结果表明，所提框架在不同CAV渗透率下显著降低了平均旅行时间指数，并在多项指标上优于传统路由方法。

📝 摘要（中文）

本文考虑了在混合交通中，针对电动汽车充电需求的连接与自动驾驶车辆（CAVs）的预测重路由问题。我们提供了一个框架，该框架结合了扩散卷积递归神经网络（DCRNN）与考虑拥堵、二氧化碳排放、路线长度和充电需求的路由策略。DCRNN利用历史网络观测数据预测交通状况和充电需求，这些预测用于评估合格CAVs的可行替代路线。当替代路线保持与原始目的地的连接并改善规定的路线成本时，路由变更将被接受。我们在SUMO中评估了该框架，在五个CAV渗透率水平下（5%至45%）进行受控交通干扰的实验。与K最短路径路由、预测密度路由、V2X主动路由及无重路由的参考场景进行比较，结果显示该框架在平均旅行时间指数上相较于参考场景降低了约1.8%。

🔬 方法详解

问题定义：本文旨在解决在混合交通环境中，连接与自动驾驶车辆（CAVs）在面临电动汽车充电需求时的预测重路由问题。现有方法在应对交通拥堵和充电需求时，往往缺乏有效的预测能力，导致车辆行驶效率低下。

核心思路：本研究提出的框架结合了扩散卷积递归神经网络（DCRNN）与多因素路由策略，利用历史网络数据预测未来的交通状况和充电需求，从而为CAVs提供更优的行驶路线选择。

技术框架：整体架构包括数据收集、DCRNN模型训练、交通与充电需求预测、可行替代路线评估及路由决策五个主要模块。首先，通过历史数据训练DCRNN模型，随后进行交通和充电需求的预测，最后评估替代路线并做出路由决策。

关键创新：该研究的核心创新在于将DCRNN与多因素路由策略相结合，能够综合考虑拥堵、二氧化碳排放、路线长度和充电需求等多重因素，从而实现更为智能的路由决策。与传统的K最短路径和V2X主动路由方法相比，具有更高的灵活性和适应性。

关键设计：在模型设计中，DCRNN的网络结构经过优化，以提高预测精度。同时，路由策略中设定了多个关键参数，如拥堵阈值、充电需求权重等，以确保替代路线的有效性和可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提框架在五个CAV渗透率水平下，平均旅行时间指数较参考场景降低约1.8%。在所有活跃路由方法中，该框架实现了最低的平均旅行时间指数、最高的平均速度和最低的二氧化碳排放。此外，框架接受的路由变更次数为41次，显著低于K最短路径和V2X主动路由的146次和153次。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆调度以及电动汽车充电网络优化。通过提高CAVs的行驶效率和降低二氧化碳排放，能够在城市交通管理和环境保护方面产生积极影响，推动可持续交通的发展。

📄 摘要（原文）

In this paper, we consider the problem of predictive rerouting of connected and automated vehicles (CAVs) in mixed traffic with electric vehicle charging demand. We provide a framework that combines a diffusion convolutional recurrent neural network (DCRNN) with a routing policy that accounts for congestion, CO2 emissions, route length, and charging demand. The DCRNN uses historical network observations to forecast traffic conditions and charging demand. These forecasts are then used to evaluate feasible alternative routes for eligible CAVs. A route change is accepted when the alternative preserves connectivity to the original destination and improves the prescribed route cost. We evaluate the proposed framework in SUMO under controlled traffic disruptions at five CAV penetration levels, ranging from 5% to 45%. We compare its performance with K-shortest-path routing, predictive-density routing, V2X proactive routing, and a reference scenario without rerouting. In the considered scenarios, the proposed framework reduces the average travel-time index by approximately 1.8% relative to the reference scenario and achieves the lowest average travel-time index, highest average speed, and lowest aggregate CO2 emissions among the active routing methods. Across all five penetration levels, it accepts 41 route changes, compared with 146 for K-shortest-path routing and 153 for V2X proactive routing. The reference scenario retains lower aggregate emissions and distance traveled, illustrating the tradeoff between congestion reduction and the additional travel associated with rerouting.