基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法

賈鑒，劉林峰，吳家皋

基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法

賈鑒，劉林峰，吳家皋

（南京郵電大學(xué)計算機學(xué)院，江蘇 南京 210023）

提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法（CPRM-IET，charging pile recommendation method for idle electric taxis），來為空載狀態(tài)下的電動出租車推薦最佳充電樁?？蛰d狀態(tài)下的電動出租車移動一般依賴于駕駛?cè)说臐撘庾R移動傾向和駕駛習(xí)慣，因此需要根據(jù)其歷史移動軌跡來預(yù)測其未來移動，從而找到充電額外移動最小的若干充電樁。在CPRM-IET中，使用了一種基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)（DA-RNN，dual-stage attention-based recurrent neural network）模型來預(yù)測電動出租車的未來軌跡，DA-RNN模型包括輸入注意力機制和時間注意力機制。輸入注意力機制在每個時刻為輸入的行駛記錄分配權(quán)重，而時間注意機制為編碼器的隱藏狀態(tài)分配權(quán)重。根據(jù)預(yù)測軌跡，再選擇額外移動最小的若干充電樁，并推薦給電動出租車駕駛?cè)?。仿真結(jié)果表明，CPRM-IET可以在額外移動和均方根誤差方面取得較好的結(jié)果，反映了CPRM-IET可以準確地預(yù)測空載電動出租車的未來軌跡，并向這些電動出租車推薦合適的充電樁。

充電樁推薦；循環(huán)神經(jīng)網(wǎng)絡(luò)；輸入注意力機制；時間注意力機制；軌跡預(yù)測

1 引言

隨著石油、煤炭等傳統(tǒng)能源儲備的快速消耗和人類生活環(huán)境的惡化，人們越來越關(guān)注能源和環(huán)境問題，傳統(tǒng)交通運輸系統(tǒng)中車輛尾氣排放法規(guī)變得日趨嚴格，特別是電動汽車[1]應(yīng)運而生。電動汽車已經(jīng)被廣泛研究和開發(fā)用于更為環(huán)保的現(xiàn)代運輸系統(tǒng)[2]，作為電動汽車的一種衍生形式，越來越多的電動出租車已上線運營，它們通過攜帶的電池供能維持行駛，并依賴于充電樁充電以續(xù)航。

電動出租車的移動與其他電動汽車相比，有以下特點：①當電動出租車載客時（在運輸狀態(tài)），電動出租車的目的地由乘客的行駛意圖決定；②當電動出租車沒有載客時（在空載狀態(tài)），電動出租車沒有明確的目的地，往往取決于駕駛?cè)说臐撘庾R傾向和駕駛習(xí)慣[3]，這一般是由駕駛?cè)烁鶕?jù)歷史經(jīng)驗所形成的潛在移動趨勢。例如，駕駛?cè)烁鶕?jù)經(jīng)驗會傾向于行駛到有更多的乘客等待出租車，或很少發(fā)生交通擁堵的道路或街道上。電動出租車處于空載狀態(tài)的時間通常遠長于運輸狀態(tài)，因此在空載狀態(tài)下產(chǎn)生充電需求的可能性很大。

當前，關(guān)于電動汽車充電技術(shù)的研究大多集中在當電動汽車剩余電能低于預(yù)設(shè)電能閾值時，根據(jù)已知的目的地推薦最優(yōu)的行駛路線和合適充電樁，而本文工作主要關(guān)注空載電動出租車的充電樁推薦問題，即如何為沒有明確目的地的空載電動出租車推薦合適的充電樁和行駛路線，本文通過挖掘出駕駛?cè)说臐撘庾R目的地來做出充電樁推薦決策，從而期望實現(xiàn)空載電動出租車的額外移動距離最小化。

為此，本文引入了基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)（DA-RNN，dual-stage attention-based recurrent neural network）[4]，用來預(yù)測電動出租車的未來軌跡。DA-RNN是在基于長短期記憶（LSTM, long and short term memory）網(wǎng)絡(luò)的編碼器和解碼器模型中融入了注意力機制，并且輸入行駛記錄和目標軌跡，從而得到待充電的空載電動出租車的預(yù)測軌跡，然后將預(yù)測軌跡的最后位置作為駕駛?cè)说臐撘庾R目的地，再根據(jù)當前電動出租車位置和周邊充電樁部署情況來選擇若干最佳充電樁，并將這些充電樁推薦給電動出租車駕駛?cè)耍怨┢渥鳛槌潆妳⒖肌?/p>

其中表示兩個位置之間的曼哈頓距離[5]。表示電動出租車從行駛到充電樁，待充電過程完成后，再移動到預(yù)測目的地的路徑總長。

Figure 1 Charge extra mobile

本文的主要創(chuàng)新點包括：①基于DA-RNN模型將預(yù)測軌跡由單點預(yù)測改進為多點預(yù)測。②將DA-RNN模型得到的預(yù)測結(jié)果用于充電樁推薦方法，選擇出額外移動最小的充電樁。

2 相關(guān)工作

空載電動出租車的充電樁推薦過程分為兩個階段：電動出租車的未來軌跡預(yù)測；充電樁的選擇和推薦。目前，已有了一些相關(guān)工作。例如，通過循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，recurrent neural network）[6]來進行軌跡預(yù)測，文獻[7]使用離散小波變換將交通數(shù)據(jù)分解為非線性（近似）和線性（詳細）分量，之后通過離散小波變換的逆變換重構(gòu)這些分量，并分別基于自回歸移動平均模型和RNN模型進行軌跡預(yù)測。文獻[8]介紹了一種遞歸點過程網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用一些時間RNN實例化了時間點過程模型。特別是，強度函數(shù)由兩個RNN構(gòu)成，即捕獲事件之間關(guān)系的時間RNN和基于時間序列的RNN更新強度函數(shù)。文獻[9]提出了一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的算法，來預(yù)測車輛的機動性，并促進車輛之間傳感數(shù)據(jù)的傳遞。此外，還出現(xiàn)了一些RNN模型的變形形式，如文獻[10]提出了一種行人軌跡預(yù)測的方法，并設(shè)計了一種基于編碼器?解碼器框架和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型。文獻[11]提出了一種稀疏的循環(huán)神經(jīng)網(wǎng)絡(luò)來預(yù)測大西洋颶風(fēng)的移動軌跡，并通過比較颶風(fēng)的移動方向找出與目標颶風(fēng)最為相似的颶風(fēng)。

綜上所述，RNN適用于軌跡預(yù)測問題，尤其是在輸入序列較小的情況下。然而隨著輸入序列長度的增加，RNN可能會產(chǎn)生長期依賴問題，導(dǎo)致預(yù)測精度急劇下降。為此，研究人員開始關(guān)注到RNN特殊形式——LSTM網(wǎng)絡(luò)結(jié)構(gòu)。例如，文獻[12]提出了一種基于LSTM網(wǎng)絡(luò)的新型交通預(yù)測模型。與傳統(tǒng)的預(yù)測模型不同，該LSTM網(wǎng)絡(luò)是由許多存儲單元組成的二維網(wǎng)絡(luò)，基于此分析了交通系統(tǒng)中的時空相關(guān)性。文獻[13]提出了一種使用雙LSTM網(wǎng)絡(luò)對周圍車輛進行軌跡預(yù)測的算法，該算法能夠有效地提高在交互駕駛環(huán)境中的預(yù)測精度。該方法將連續(xù)軌跡反饋到第一個LSTM，實現(xiàn)駕駛?cè)艘鈭D的識別，而第二個LSTM主要用于軌跡預(yù)測。文獻[14]介紹了一種LSTM神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠準確預(yù)測高速公路上車輛的縱向和橫向軌跡。文獻[15]提出了一種基于LSTM模型的編碼器?解碼器模型來生成周圍車輛的實時軌跡序列，將預(yù)測結(jié)果表示為軌跡序列而不是單個軌跡位置。針對行人軌跡預(yù)測的LSTM狀態(tài)修正問題，文獻[16]考慮了相鄰節(jié)點的當前意圖，并迭代地優(yōu)化了所有參與者的當前狀態(tài)。文獻[17]提出了一種基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)，用于分析時間行為并預(yù)測周圍車輛的未來坐標，然后在網(wǎng)格地圖上生成車輛出現(xiàn)在不同位置的可能性。在上述工作中，LSTM網(wǎng)絡(luò)較好地解決了傳統(tǒng)RNN的長期依賴問題，從而提高了軌跡預(yù)測精度，但上述工作都沒有區(qū)分不同歷史位置的重要性差異。

此外，注意力機制被廣泛使用于各類應(yīng)用。注意力機制從輸入序列中了解每個元素的重要性，并賦予每個元素不同權(quán)重。例如，文獻[18]提出了一種視頻匯總框架，被稱為視頻匯總的注意力編碼器?解碼器網(wǎng)絡(luò)，其中編碼器使用雙向長短期存儲器對輸入視頻幀之間的上下文信息進行編碼，而解碼器分別使用加法和乘法目標函數(shù)。文獻[19]構(gòu)建了第一個基于端到端注意力的編碼器解碼器模型，以直接處理從原始語音波形到文本轉(zhuǎn)錄的過程。文獻[20]在編碼器和解碼器神經(jīng)網(wǎng)絡(luò)內(nèi)使用新型時空注意力機制顯示視頻字幕，較好地考慮了視頻中的空間和時間結(jié)構(gòu)，使解碼器自動選擇最相關(guān)的時間段中的有效區(qū)域以進行單詞預(yù)測。

還有一些其他軌跡預(yù)測方法。例如，在響應(yīng)變量和預(yù)測變量均包含多元隨機函數(shù)的情況下，文獻[21]提出了一種多元函數(shù)線性回歸方法（Linear）來分析和預(yù)測多元函數(shù)數(shù)據(jù)。多元函數(shù)線性回歸模型與多元函數(shù)主成分分析方法相結(jié)合，分別利用了多元響應(yīng)和預(yù)測變量中各成分函數(shù)之間的互相關(guān)優(yōu)勢。文獻[22]通過將XGBoost回歸模型應(yīng)用于一組已識別的內(nèi)部和極端條件的旅行，可以預(yù)測出租車旅行軌跡的靜態(tài)旅行時間。文獻[23]提出的遠距離相鄰依賴模型，可以將車輛軌跡轉(zhuǎn)換成固定長度的矢量，以預(yù)測該車輛的最終目的地。文獻[24]通過融合基于物理和基于機動的軌跡預(yù)測方法，提出了一種交互式多模型軌跡預(yù)測方法。基于物理的軌跡預(yù)測方法可以在考慮車輛行駛動態(tài)參數(shù)的情況下確保短期的準確性，而基于機動的軌跡預(yù)測方法可以預(yù)測車輛的長期未來軌跡。以上關(guān)于軌跡預(yù)測的方法對輸入的每個軌跡點都平等對待，并不會衡量不同軌跡點的重要性和關(guān)系。

在充電樁推薦研究中，文獻[25]主要考慮了電動汽車的所需充電時間，并為電動汽車推薦了合適的充電樁，因此可以使電動汽車的充電等待時間最小化。文獻[26]提出了基于雙層優(yōu)化仿真框架的模型，該框架結(jié)合了具有排隊延遲的高層多服務(wù)器分配模型以及基于Jung和Jayakrishnan早期工作的下級調(diào)度仿真。文獻[27]使用來自配備GPS的出租車軌跡來檢測加油站訪問次數(shù)，測量花費的時間并估算總體需求。文獻[28]研究了插電式電動出租車的最佳充電策略，即在不確定的電價和隨時間變化的收入情況下，通過選擇合適的充電時間段來最大化其運營利潤。文獻[29]研究了在實時電價環(huán)境下面向多個電動汽車的充電樁調(diào)度問題，協(xié)調(diào)了電動汽車的充電過程，在滿足所有車輛充電要求的前提下使總成本降至最低。

本文工作將基于LSTM網(wǎng)絡(luò)結(jié)構(gòu)的DA-RNN模型和注意力機制，其中通過基于LSTM網(wǎng)絡(luò)的編碼器/解碼器來實現(xiàn)空載電動出租車的軌跡預(yù)測，而加入注意力機制的目的是為每個時刻的行駛記錄和每個編碼器隱藏狀態(tài)分配不同權(quán)重，從而使預(yù)測結(jié)果更加精確。然后將預(yù)測軌跡的最后位置作為駕駛?cè)说臐撘庾R目的地，在空載電動出租車的剩余電能足以到達附近充電樁的情況下，為電動出租車推薦額外移動最小的充電樁。

3 基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)

本節(jié)介紹如何利用基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)來預(yù)測空載電動出租車的未來軌跡。首先，表1給出了主要參數(shù)的說明。

表1 參數(shù)說明

3.1 符號表示

圖2 n條行駛記錄

Figure 2driving sequences

圖3 某一特定時刻的行駛記錄

Figure 3 Driving sequence at a certain moment

圖4展示了目標軌跡、未來軌跡和預(yù)測軌跡的示例，圖中黑色的實線表示目標軌跡，黑色的虛線表示預(yù)測軌跡，紅色的虛線表示未來軌跡。其中目標軌跡和未來軌跡組成一條實際行駛軌跡，而預(yù)測軌跡是經(jīng)過DA-RNN模型預(yù)測得到的結(jié)果。

圖4 目標軌跡、未來軌跡和預(yù)測軌跡

Figure 4 Target trajectory, future trajectory and predicted trajectory

3.2 軌跡預(yù)測方法

本文使用基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(luò)DA-RNN進行預(yù)測，預(yù)測方法與文獻[4]類似，主要區(qū)別在于將預(yù)測結(jié)果由單點預(yù)測改為多點預(yù)測。

圖5 帶有輸入注意力機制的編碼器

Figure 5 Encoder with input attention mechanism

圖6 帶有時間注意力機制的解碼器

Figure 6 Decoder with time attention mechanism

4 空載電動出租車的充電樁推薦方法

圖7 電動出租車的剩余電量不足以到達充電樁的情況

Figure 7 When the remaining power of the electric taxi is not enough to reach the charging pile

綜上所述，本文給出的充電樁推薦方法如下。

圖8 電動出租車的剩余電量足以到達充電樁的情況

Figure 8 When the remaining power of the electric taxi is enough to reach the charging pile

（3）從個充電樁中找到前個最小的額外移動，并向用戶推薦前個具有最小額外移動的充電樁。

（4）為每輛需要充電的電動出租車推薦前個具有最小額外移動的充電樁。

算法1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法（CPRM-IET）

5 仿真實驗

首先介紹仿真中使用的數(shù)據(jù)集，然后設(shè)置評價指標，并通過觀察不同參數(shù)對DA-RNN和CPRM-IET的影響來合理地設(shè)置參數(shù)。最后，通過與其他方法比較來驗證DA-RNN的有效性。表2給出了部分仿真參數(shù)的設(shè)置。

5.1 實驗數(shù)據(jù)集

實驗使用了北京出租車軌跡數(shù)據(jù)集[31]，其中數(shù)據(jù)集1至數(shù)據(jù)集5分別是出租車2008年2月2日到2008年2月6日在9：30—16：00時段的軌跡數(shù)據(jù)，該數(shù)據(jù)集每間隔10 s記錄了車輛坐標。在實驗中，前80%的軌跡數(shù)據(jù)用于訓(xùn)練集，10%的軌跡數(shù)據(jù)用于測試集，最后10%的軌跡數(shù)據(jù)用于驗證集。

表2 仿真參數(shù)表

5.2 評價指標

5.3 不同參數(shù)對DA-RNN的影響

通過觀察不同參數(shù)對DA-RNN的影響來設(shè)置參數(shù)取值。在測試每組參數(shù)的過程中輸入不同的軌跡數(shù)據(jù)集。首先，測試條行駛記錄時長對DA-RNN均方根誤差的影響，如圖9所示。將分別設(shè)置為5至25時，結(jié)果表明：當=20時均方根誤差最小，即軌跡預(yù)測效果最好；當<20時，隨著行駛記錄時長的增加，越容易找出時間相關(guān)性最大的編碼器隱藏狀態(tài)，更容易尋找行駛記錄和目標軌跡之間的相關(guān)性，預(yù)測精度更高，但當增加到20時，隨著行駛記錄時長的增加，DA-RNN模型對行駛記錄最先輸入值會損失一部分記憶，則得到的行駛記錄會缺少一部分信息，預(yù)測精度會降低，所以這并不意味著行駛記錄的時長越長，預(yù)測就越準確。

圖9 T值對軌跡預(yù)測均方根誤差的影響

Figure 9 The influence ofvalue on the root mean square error of trajectory prediction

然后測試編碼器和解碼器的隱藏狀態(tài)數(shù)量和對預(yù)測軌跡均方根誤差的影響，分別如圖10和圖11所示。將和從16逐漸增加至256，可以發(fā)現(xiàn)當和都設(shè)置為128時，預(yù)測精度最高，該結(jié)果表明，編碼器和解碼器的隱藏狀態(tài)數(shù)量并非越多越好，如果過多，將導(dǎo)致梯度爆炸問題和對訓(xùn)練數(shù)據(jù)的過度擬合，這反而降低了預(yù)測精度。

圖10 編碼器隱藏狀態(tài)數(shù)量對軌跡預(yù)測的影響

Figure 10 The influence of the number of hidden states of the encoder on trajectory prediction

圖11 解碼器隱藏狀態(tài)數(shù)量對軌跡預(yù)測的影響

Figure 11 The influence of the number of hidden states of the decoder on trajectory prediction

圖12給出了基于不同行駛記錄的條數(shù)的軌跡預(yù)測均方根誤差。當<8時，隨著行駛記錄條數(shù)的增加，得到的行駛記錄信息越多，越容易進行特征提取，越容易找到相關(guān)性較高的行駛記錄，則預(yù)測精度更高，但當增加到8時，隨著行駛記錄條數(shù)的增加，將導(dǎo)致梯度爆炸問題，則預(yù)測精度會降低，所以這并不意味著行駛記錄的條數(shù)越多，預(yù)測就越準確。

圖12 行駛記錄的條數(shù)對軌跡預(yù)測結(jié)果的影響

Figure 12 The influence of the number of driving sequence on the result of trajectory prediction

5.4 DA-RNN和其他軌跡預(yù)測方法的比較

圖13展示了預(yù)測結(jié)果和推薦充電樁的示例。然后，將DA-RNN的預(yù)測結(jié)果與其他3種軌跡預(yù)測方法進行比較。紅線表示實際軌跡，藍線表示預(yù)測軌跡，藍點表示設(shè)置的充電樁，紅點表示推薦的充電樁。圖13給出的不同軌跡集的軌跡預(yù)測結(jié)果可以看出，預(yù)測結(jié)果是相對穩(wěn)定的。圖14展示了DA-RNN與其他方法在軌跡預(yù)測均方根誤差上的比較。DA-RNN模型的編碼器部分引入輸入注意力機制來對行駛記錄進行特征提取，為相關(guān)性較高的行駛記錄賦予更高的權(quán)重；DA-RNN模型的解碼器部分通過時間注意力機制為每個編碼器的隱藏狀態(tài)賦予不同的權(quán)重，來找出時間相關(guān)性最大的編碼器隱藏狀態(tài)，從時間上來尋找行駛記錄和目標軌跡之間的相關(guān)性。結(jié)果表明DA-RNN的預(yù)測結(jié)果相對比較準確。

5.5 CPRM-IET對不同參數(shù)的敏感性

首先，通過比較觀察不同參數(shù)對CPRM-IET影響。推薦充電樁數(shù)量對平均額外移動的影響，如圖15所示。當推薦的充電樁數(shù)量為2時，平均額外移動最小，即表示充電樁推薦最為準確。當推薦的充電樁數(shù)量較少時，理論上AEM應(yīng)該較小，提供的充電樁推薦方案應(yīng)該更好，但由于充電樁的分布具有一定的不確定性，因此平均額外移動結(jié)果隨著的取值不同出現(xiàn)不規(guī)則變化。

圖13 預(yù)測結(jié)果和推薦充電樁的示例

Figure 13 Predict results and examples of recommended charging piles

Figure 14 Comparison of different trajectory prediction methods

圖15 推薦充電樁數(shù)量r對平均額外移動的影響

Figure 15 The influence of the recommended number of charging pileson the average extra movement

圖16顯示了充電樁的數(shù)量對平均額外移動的影響。當充電樁的數(shù)量為25時，平均額外移動最小。當充電樁的數(shù)量過少時，所推薦充電樁數(shù)量隨之減少，電動出租車駕駛?cè)艘苿右鈭D的改變?nèi)菀自斐伤扑]充電樁變得不合理，從而平均額外移動會急劇增加。此外，圖17和圖18分別展示了每條行駛記錄時長和剩余電量閾值對平均額外移動的影響。當設(shè)置為20或剩余電量閾值設(shè)置為25%時，平均額外移動最小，即充電樁推薦結(jié)果最佳。特別地，當將剩余電量閾值設(shè)置得較小時，電動出租車需要頻繁的充電，因此造成平均額外移動的增加。

圖16 充電樁的數(shù)量s對平均額外移動的影響

Figure 16 The influence of the number of charging pileson the average extra movement

6 結(jié)束語

本文首先使用DA-RNN模型為空載電動出租車預(yù)測軌跡。在該過程中，使用了帶輸入注意力機制的編碼器為每個時刻的行駛記錄賦予不同權(quán)重，以便具有更多相關(guān)特征的軌跡點在通過編碼器時賦予更高的重要性，并減少了不相關(guān)的軌跡點的數(shù)量，尤其對帶嘈雜的輸入具有較好頑健性。然后，使用帶時間注意力機制的解碼器為每個編碼器的隱藏狀態(tài)分配權(quán)重，生成上下文向量，并結(jié)合目標軌跡在當前時刻的位置生成解碼器的隱藏狀態(tài)，從而使預(yù)測結(jié)果更加準確。在預(yù)測出第一個位置之后，將上一時刻的預(yù)測軌跡位置輸入解碼器，最終確定預(yù)測軌跡。在充電樁推薦方面，通過電動出租車剩余電能判斷出可用充電樁的范圍，并選擇額外移動最小的若干充電樁，并推薦給電動出租車，這可以降低電動出租車額外開銷。實驗結(jié)果表明，本文提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法能夠準確地預(yù)測出空載電動出租車的潛在移動，并選擇和推薦合適的充電樁給駕駛?cè)耍S著電動出租車的逐步推廣及普及，該方法將適用于更多的場景和應(yīng)用。在將來的研究中，將考慮結(jié)合模型驅(qū)動和數(shù)據(jù)驅(qū)動的方法去進行充電樁的推薦，即根據(jù)充電樁和路段的位置建立一個模型，通過調(diào)整模型參數(shù)，使電動出租車的軌跡數(shù)據(jù)貼合這個模型，達到額外移動最小的目的。

圖17 行駛記錄時長T對平均額外移動的影響

Figure 17 The influence of driving sequence lengthon average extra movement

圖18 剩余電量閾值δ對平均額外移動的影響

Figure 18 The influence of the remaining battery thresholdon the average extra movement

[1] LU J, CHEN Z H, MA Z F, et al. The role of nanotechnology in the development of battery materials for electric vehicles[J]. Nature Nanotechnology, 2016, 12: 1031-1038.

[2] ALTANO D, WU G, BARTH M J. GlidePath: eco-friendly automated approach and departure at signalized intersections[J]. IEEE Transactions on Intelligent Vehicles, 2017, 2(4): 266-277.

[3] WALLACE B, GOUBRAN R, KNOEFEL F, et al. Measuring variation in driving habits between drivers[C]//IEEE International Symposium on Medical Measurements and Applications (MeMeA). 2014.

[4] QIN Y, SONGD J, CHENG H F, et al. A dual-stage attention-based recurrent neural network for time series prediction[J]. arXiv: 1704. 02971, 2017.

[5] GRECHE L, JAZOULI M, ES-SBAI N, et al. Comparison between Euclidean and Manhattan distance measure for facial expressions classification[C]//International Conference on Wireless Technologies. 2017.

[6] LIU W, SHOJI Y. DeepVM: RNN-based vehicle mobility prediction to support intelligent vehicle applications[C]//IEEE Transactions on Industrial Informatics. 2019.

[7] MADAN R, MANGIPUDI P S. Predicting computer network traffic: a time series forecasting approach using DWT, ARIMA, and RNN[C]//InternationalConference Contemporary Computing(IC3). 2018.

[8] XIAO S, YAN J, FARAJTABAR M, et al. Learning time series associated event sequences with recurrent point process networks[J]. IEEE Transactions on Neural Networks and Learning Systems, 2019, 30(10): 3124 - 3136.

[9] LIU W, SHOJI Y. Applying deep recurrent neural network to predict vehicle mobility[C]//IEEE Vehicular Networking Conference (VNC). 2018.

[10] WU J, WOOH, TAMURA Y, et al. Pedestrian trajectory prediction using BiRNN encoder–decoder framework[J]. Advanced Robotics, 2019, 33(18): 956-969.

[11] KORDMAHALLEH M M, SEFIDMAZGI M G, HOMAIFAR A, et al. Hurricane trajectory prediction via a sparse recurrent neural network[C]// International Workshop on Climate Informatics. 2015.

[12] ZHAO Z, CHEN W H, WU X M, et al. LSTM network: a deep learning approach for short-term traffic forecast[J]. Iet Intelligent Transport Systems, 2017, 11(2): 68-75.

[13] XIN L, WANG P, CHAN C Y, et al. Intention-aware long horizon trajectory prediction of surrounding vehicles using dual LSTM networks[C]//2018 IEEE International Conference on Intelligent Transportation Systems (ITSC). 2018.

[14] ALTCHé F, FORTELLEA D L. An LSTM network for highway trajectory prediction[C]//International Conference on Intelligent Transportation Systems (ITSC). 2017.

[15] PARK S H, KIM B D. Sequence-to-sequence prediction of vehicle trajectory via LSTM encoder-decoderarchitecture[C]//IEEE Intelligent Vehicles Symposium(IV). 2018.

[16] ZHANG P, OUYANG W. SR-LSTM: state re?nement for LSTM towards pedestrian trajectory prediction[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016: 12085-12094.

[17] KIM B D, KANGC M. Probabilistic vehicle trajectory prediction over occupancy grid map via recurrent neural network[C]//IEEE International Conference on Intelligent Transportation Systems (ITSC). 2017.

[18] JI Z, XIONG K, PANG Y, et al. Video summarization with attention-based encoder-decoder networks[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2019.

[19] TJANDRA A, SAKTI S. Attention-based Wav2Text with feature transfer learning[C]//IEEE Automatic Speech Recognition and Understanding Workshop(ASRU). 2017.

[20] YAN C, TUY. STAT: spatial-temporal attention mechanism for video captioning[J]. IEEE Transactions on Multimedia, 2019, 22(2): 229-241.

[21] CHIOU J, YANG Y. Multivariate functional linear regression and prediction[J]. Journal of Multivariate Analysis, 2016, 146: 301-312.

[22] KANKANAMGE K D, WITHARANAGEY R. Taxi trip travel time prediction with isolated XGBoost regression[C]//Moratuwa Engineering Research Conference (MERCon). 2019.

[23] QIAN C, JIANGR. Vehicle trajectory modelling with consideration of distant neighbouring dependencies for destination prediction[J]. International Journal of Geographical Information Science, 2019, 33(10): 2011-2032.

[24] XIE G, GAO H. Vehicle trajectory prediction by integrating physics and maneuver-based approaches using interactive multiple models[J]. IEEE Transactions on Industrial Electronics, 2017, 65(7): 5999-6008.

[25] TIAN Z, JUNGT. Real-Time charging station recommendation system for electric-vehicle taxis[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(11): 3098-3109.

[26] JUNG J, CHOW J Y, JAYAKRISHNAN R, et al. Stochastic dynamic itinerary interception refueling location problem with queue delay for electric taxi charging stations[J]. Transportation Research Part C: Emerging Technologies, 2014, 40: 123-142.

[27] ZHANG F, WILKIE D. Sensing the pulse of urban refueling behavior[C]//ACM International Joint Conference on Pervasive and Ubiquitous Computing. 2013: 13-22.

[28] YANG Z Y, SUN L H, CHEN J M. Profit maximization for plug-in electric taxi with uncertain future electricity prices[J]. IEEE Transactions on Power Systems, 2014, 29(6): 3058-3068.

[29] YOU P, YANG Z. Efficient optimal scheduling of charging station with multiple electric vehicles via V2V[C]//IEEE International Conference on Smart Grid Communications. 2014: 716-721.

[30] GAOW, KIMS W, BOSSE H, et al. Measurement technologies for precision positioning[J]. CIRP Annals, 2015, 64(2): 773-796.

[31] YU Z, XING X, MAW Y. Geolife: a collaborative social networking service among user, location and trajectory[J]. IEEE Data Engineering Bulletin, 2010, 33(2): 32-40.

Charging pile recommendation method for idle electric taxis based on recurrent neural network

JIA Jian, LIU Linfeng, WU Jiagao

School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

A charging pile recommendation method for idle electric taxis (CPRM-IET) based on recursive neural network was proposed to recommend the optimal charging piles for idle electric taxis. Usually, the movement of each idle electric taxi depends on the subconscious movement tendency and driving habits of the driver. Therefore, it is necessary to predict the future movement based on its historical movement trajectories, so as to find the charging piles with the least extra movements. In CPRM-IET, a dual-stage attention-based recurrent neural network (DA-RNN) model was provided to predict the future trajectories of electric taxis. DA-RNN model includes two types of attention mechanisms which are input attention mechanism and temporal attention mechanism. The input attention mechanism assigns different weights to the input driving sequence at each time slot, and the temporal attention mechanism assigns weights to the hidden state of the encoder. Based on the predicted future trajectories, several charging piles with the least extra movements were selected and recommended for the idle electric taxis. The simulation results show that CPRM-IET can achieve preferable results in terms of charging extra movement and root mean square error, which reflects that CPRM-IET can accurately predict the future trajectories of idle electric taxis and recommend optimal charging piles for these electric taxis.

charging pile recommendation, recurrent neural network, input attention mechanism, time attention mechanism, trajectory prediction

The National Natural Science Foundation of China (61872191)

TP393

A

10.11959/j.issn.2096?109x.2020085

賈鑒（1996?），女，山西長治人，南京郵電大學(xué)碩士生，主要研究方向為軌跡挖掘、車聯(lián)網(wǎng)。

劉林峰（1981?），男，江蘇丹陽人，博士，南京郵電大學(xué)教授，主要研究方向為移動計算、車聯(lián)網(wǎng)、機器學(xué)習(xí)方法。

吳家皋（1969?），男，江蘇蘇州人，博士，南京郵電大學(xué)副教授，主要研究方向為容忍延遲網(wǎng)絡(luò)、機會網(wǎng)絡(luò)。

論文引用格式：賈鑒, 劉林峰, 吳家皋. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的空載電動出租車的充電樁推薦方法[J]. 網(wǎng)絡(luò)與信息安全學(xué)報, 2020, 6(6): 152-163.

JIA J, LIU L F, WU J G. Charging pile recommendation method for idle electric taxis based on recurrent neural networkJ]. Chinese Journal of Network and Information Security, 2020, 6(6): 152-163

2020?04?20；

2020?07?03

賈鑒，jj781148650@163.com

國家自然科學(xué)基金（61872191）