基于循環神經網絡的空載電動出租車的充電樁推薦方法

賈鑒，劉林峰，吳家皋

基于循環神經網絡的空載電動出租車的充電樁推薦方法

賈鑒，劉林峰，吳家皋

（南京郵電大學計算機學院，江蘇 南京 210023）

提出了一種基于循環神經網絡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），來為空載狀態下的電動出租車推薦最佳充電樁。空載狀態下的電動出租車移動一般依賴于駕駛人的潛意識移動傾向和駕駛習慣，因此需要根據其歷史移動軌跡來預測其未來移動，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神經網絡（DA-RNN，dual-stage attention-based recurrent neural network）模型來預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重，而時間注意機制為編碼器的隱藏狀態分配權重。根據預測軌跡，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人。仿真結果表明，CPRM-IET可以在額外移動和均方根誤差方面取得較好的結果，反映了CPRM-IET可以準確地預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；循環神經網絡；輸入注意力機制；時間注意力機制；軌跡預測

1 引言

隨著石油、煤炭等傳統能源儲備的快速消耗和人類生活環境的惡化，人們越來越關注能源和環境問題，傳統交通運輸系統中車輛尾氣排放法規變得日趨嚴格，特別是電動汽車[1]應運而生。電動汽車已經被廣泛研究和開發用于更為環保的現代運輸系統[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），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），電動出租車沒有明確的目的地，往往取決于駕駛人的潛意識傾向和駕駛習慣[3]，這一般是由駕駛人根據歷史經驗所形成的潛在移動趨勢。例如，駕駛人根據經驗會傾向于行駛到有更多的乘客等待出租車，或很少發生交通擁堵的道路或街道上。電動出租車處于空載狀態的時間通常遠長于運輸狀態，因此在空載狀態下產生充電需求的可能性很大。

當前，關于電動汽車充電技術的研究大多集中在當電動汽車剩余電能低于預設電能閾值時，根據已知的目的地推薦最優的行駛路線和合適充電樁，而本文工作主要關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人的潛意識目的地來做出充電樁推薦決策，從而期望實現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神經網絡（DA-RNN，dual-stage attention-based recurrent neural network）[4]，用來預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）網絡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測軌跡，然后將預測軌跡的最后位置作為駕駛人的潛意識目的地，再根據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人，以供其作為充電參考。

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，再移動到預測目的地的路徑總長。

Figure 1 Charge extra mobile

本文的主要創新點包括：①基于DA-RNN模型將預測軌跡由單點預測改進為多點預測。②將DA-RNN模型得到的預測結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測；充電樁的選擇和推薦。目前，已有了一些相關工作。例如，通過循環神經網絡（RNN，recurrent neural network）[6]來進行軌跡預測，文獻[7]使用離散小波變換將交通數據分解為非線性（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模型進行軌跡預測。文獻[8]介紹了一種遞歸點過程網絡，該網絡使用一些時間RNN實例化了時間點過程模型。特別是，強度函數由兩個RNN構成，即捕獲事件之間關系的時間RNN和基于時間序列的RNN更新強度函數。文獻[9]提出了一種基于深度循環神經網絡的算法，來預測車輛的機動性，并促進車輛之間傳感數據的傳遞。此外，還出現了一些RNN模型的變形形式，如文獻[10]提出了一種行人軌跡預測的方法，并設計了一種基于編碼器?解碼器框架和雙向循環神經網絡模型。文獻[11]提出了一種稀疏的循環神經網絡來預測大西洋颶風的移動軌跡，并通過比較颶風的移動方向找出與目標颶風最為相似的颶風。

綜上所述，RNN適用于軌跡預測問題，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可能會產生長期依賴問題，導致預測精度急劇下降。為此，研究人員開始關注到RNN特殊形式——LSTM網絡結構。例如，文獻[12]提出了一種基于LSTM網絡的新型交通預測模型。與傳統的預測模型不同，該LSTM網絡是由許多存儲單元組成的二維網絡，基于此分析了交通系統中的時空相關性。文獻[13]提出了一種使用雙LSTM網絡對周圍車輛進行軌跡預測的算法，該算法能夠有效地提高在交互駕駛環境中的預測精度。該方法將連續軌跡反饋到第一個LSTM，實現駕駛人意圖的識別，而第二個LSTM主要用于軌跡預測。文獻[14]介紹了一種LSTM神經網絡，該網絡能夠準確預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，將預測結果表示為軌跡序列而不是單個軌跡位置。針對行人軌跡預測的LSTM狀態修正問題，文獻[16]考慮了相鄰節點的當前意圖，并迭代地優化了所有參與者的當前狀態。文獻[17]提出了一種基于LSTM的循環神經網絡，用于分析時間行為并預測周圍車輛的未來坐標，然后在網格地圖上生成車輛出現在不同位置的可能性。在上述工作中，LSTM網絡較好地解決了傳統RNN的長期依賴問題，從而提高了軌跡預測精度，但上述工作都沒有區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?解碼器網絡，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。文獻[19]構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錄的過程。文獻[20]在編碼器和解碼器神經網絡內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構，使解碼器自動選擇最相關的時間段中的有效區域以進行單詞預測。

還有一些其他軌跡預測方法。例如，在響應變量和預測變量均包含多元隨機函數的情況下，文獻[21]提出了一種多元函數線性回歸方法（Linear）來分析和預測多元函數數據。多元函數線性回歸模型與多元函數主成分分析方法相結合，分別利用了多元響應和預測變量中各成分函數之間的互相關優勢。文獻[22]通過將XGBoost回歸模型應用于一組已識別的內部和極端條件的旅行，可以預測出租車旅行軌跡的靜態旅行時間。文獻[23]提出的遠距離相鄰依賴模型，可以將車輛軌跡轉換成固定長度的矢量，以預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測方法，提出了一種交互式多模型軌跡預測方法。基于物理的軌跡預測方法可以在考慮車輛行駛動態參數的情況下確保短期的準確性，而基于機動的軌跡預測方法可以預測車輛的長期未來軌跡。以上關于軌跡預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]提出了基于雙層優化仿真框架的模型，該框架結合了具有排隊延遲的高層多服務器分配模型以及基于Jung和Jayakrishnan早期工作的下級調度仿真。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，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境下面向多個電動汽車的充電樁調度問題，協調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網絡結構的DA-RNN模型和注意力機制，其中通過基于LSTM網絡的編碼器/解碼器來實現空載電動出租車的軌跡預測，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分配不同權重，從而使預測結果更加精確。然后將預測軌跡的最后位置作為駕駛人的潛意識目的地，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神經網絡

本節介紹如何利用基于雙階段注意力機制的循環神經網絡來預測空載電動出租車的未來軌跡。首先，表1給出了主要參數的說明。

表1 參數說明

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，而預測軌跡是經過DA-RNN模型預測得到的結果。

圖4 目標軌跡、未來軌跡和預測軌跡

Figure 4 Target trajectory, future trajectory and predicted trajectory

3.2 軌跡預測方法

本文使用基于雙階段注意力機制的循環神經網絡DA-RNN進行預測，預測方法與文獻[4]類似，主要區別在于將預測結果由單點預測改為多點預測。

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 基于循環神經網絡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據集，然后設置評價指標，并通過觀察不同參數對DA-RNN和CPRM-IET的影響來合理地設置參數。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的設置。

5.1 實驗數據集

實驗使用了北京出租車軌跡數據集[31]，其中數據集1至數據集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時段的軌跡數據，該數據集每間隔10 s記錄了車輛坐標。在實驗中，前80%的軌跡數據用于訓練集，10%的軌跡數據用于測試集，最后10%的軌跡數據用于驗證集。

表2 仿真參數表

5.2 評價指標

5.3 不同參數對DA-RNN的影響

通過觀察不同參數對DA-RNN的影響來設置參數取值。在測試每組參數的過程中輸入不同的軌跡數據集。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。將分別設置為5至25時，結果表明：當=20時均方根誤差最小，即軌跡預測效果最好；當<20時，隨著行駛記錄時長的增加，越容易找出時間相關性最大的編碼器隱藏狀態，更容易尋找行駛記錄和目標軌跡之間的相關性，預測精度更高，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，預測精度會降低，所以這并不意味著行駛記錄的時長越長，預測就越準確。

圖9 T值對軌跡預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數量和對預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，可以發現當和都設置為128時，預測精度最高，該結果表明，編碼器和解碼器的隱藏狀態數量并非越多越好，如果過多，將導致梯度爆炸問題和對訓練數據的過度擬合，這反而降低了預測精度。

圖10 編碼器隱藏狀態數量對軌跡預測的影響

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

圖11 解碼器隱藏狀態數量對軌跡預測的影響

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的軌跡預測均方根誤差。當<8時，隨著行駛記錄條數的增加，得到的行駛記錄信息越多，越容易進行特征提取，越容易找到相關性較高的行駛記錄，則預測精度更高，但當增加到8時，隨著行駛記錄條數的增加，將導致梯度爆炸問題，則預測精度會降低，所以這并不意味著行駛記錄的條數越多，預測就越準確。

圖12 行駛記錄的條數對軌跡預測結果的影響

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

5.4 DA-RNN和其他軌跡預測方法的比較

圖13展示了預測結果和推薦充電樁的示例。然后，將DA-RNN的預測結果與其他3種軌跡預測方法進行比較。紅線表示實際軌跡，藍線表示預測軌跡，藍點表示設置的充電樁，紅點表示推薦的充電樁。圖13給出的不同軌跡集的軌跡預測結果可以看出，預測結果是相對穩定的。圖14展示了DA-RNN與其他方法在軌跡預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，為相關性較高的行駛記錄賦予更高的權重；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賦予不同的權重，來找出時間相關性最大的編碼器隱藏狀態，從時間上來尋找行駛記錄和目標軌跡之間的相關性。結果表明DA-RNN的預測結果相對比較準確。

5.5 CPRM-IET對不同參數的敏感性

首先，通過比較觀察不同參數對CPRM-IET影響。推薦充電樁數量對平均額外移動的影響，如圖15所示。當推薦的充電樁數量為2時，平均額外移動最小，即表示充電樁推薦最為準確。當推薦的充電樁數量較少時，理論上AEM應該較小，提供的充電樁推薦方案應該更好，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果隨著的取值不同出現不規則變化。

圖13 預測結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顯示了充電樁的數量對平均額外移動的影響。當充電樁的數量為25時，平均額外移動最小。當充電樁的數量過少時，所推薦充電樁數量隨之減少，電動出租車駕駛人移動意圖的改變容易造成所推薦充電樁變得不合理，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。當設置為20或剩余電量閾值設置為25%時，平均額外移動最小，即充電樁推薦結果最佳。特別地，當將剩余電量閾值設置得較小時，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 結束語

本文首先使用DA-RNN模型為空載電動出租車預測軌跡。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重，以便具有更多相關特征的軌跡點在通過編碼器時賦予更高的重要性，并減少了不相關的軌跡點的數量，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分配權重，生成上下文向量，并結合目標軌跡在當前時刻的位置生成解碼器的隱藏狀態，從而使預測結果更加準確。在預測出第一個位置之后，將上一時刻的預測軌跡位置輸入解碼器，最終確定預測軌跡。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。實驗結果表明，本文提出的基于循環神經網絡的空載電動出租車的充電樁推薦方法能夠準確地預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人，隨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用。在將來的研究中，將考慮結合模型驅動和數據驅動的方法去進行充電樁的推薦，即根據充電樁和路段的位置建立一個模型，通過調整模型參數，使電動出租車的軌跡數據貼合這個模型，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，南京郵電大學碩士生，主要研究方向為軌跡挖掘、車聯網。

劉林峰（1981?），男，江蘇丹陽人，博士，南京郵電大學教授，主要研究方向為移動計算、車聯網、機器學習方法。

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

論文引用格式：賈鑒, 劉林峰, 吳家皋. 基于循環神經網絡的空載電動出租車的充電樁推薦方法[J]. 網絡與信息安全學報, 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

國家自然科學基金（61872191）