Projekto kodas: Nr. 01.2.2-LMT-K-718-02-0018
Projekto mokslinio tyrimo vadovas: dr. Simonas Šaltenis
Projekto įgyvendinimo laikotarpis: 2019-08-01 – 2023-07-31
Projekto santrauka. Transporto sektorius šiuo metu yra veikiamas gilių pokyčių, kuriuos iššaukia naujos transporto technologijos, tokios kaip elektrinės ir bepilotės transporto priemonės, nauji verslo modeliai, tokie kaip automobilių dalijimosi tinklai, o taip pat pagrindinių transporto elementų visapusis skaitmenizavimas. Sumanūs algoritmai, sukurti panaudojant didžiuosius transporto duomenis, įgalins daug našiau panaudoti transporto infrastruktūrą, sumažins transporto poveikį aplinkai, silpnins šiltnamio efektą ir pagerins transporto paslaugų kokybę.
Projekto tikslas – išrasti naujos kartos elektroninio maršrutų planavimo algoritmus, panaudojus turtingus transporto duomenis. Projektas plėtos elektrinių transporto priemonių maršrutų planavimo algoritmus, automobilių dalijimosi tinklų ir daugiamodalio transporto algoritmus. Projekto dėmesio centre bus pasiūlytų sprendimų plėtojimas, jų našus lygiagretus vykdymas modernia kompiuterine įranga bei jų veikimas, panaudojant ypatingai dinamiškus duomenis. Projekto metu bus plėtojama atviro kodo sistema, kurioje bus integruojami ir demonstruojami sukurti algoritmai ir metodai.
Finansavimo šaltinis.Projektas bendrai finansuojamas iš Europos regioninės plėtros fondo lėšų pagal priemonės Nr. 01.2.2-LMT-K-718 „Tiksliniai moksliniai tyrimai sumanios specializacijos srityje“ veiklą „Mokslininkų iš užsienio pritraukimas vykdyti mokslinius tyrimus“.
Kaip ir daugelis žmonių veiklos sričių, transporto sektorius šiuo metu yra veikiamas gilių pokyčių, kuriuos iššaukia naujos transporto technologijos, tokios kaip elektrinės ir bepilotės transporto priemonės, nauji verslo modeliai, tokie kaip automobilių dalijimosi tinklai, o taip pat pagrindinių transporto elementų visapusis skaitmenizavimas.
Tokios vizijos vedinas, projektas tyrinėjo ilgų distancijų maršrutų planavimą elektriniams automobiliams. Kad toks planavimas būtų tikslus ir detalizuotas, maršruto planavimo algoritmai turi veikti ant didelių ir turtingų transporto duomenų. Tokiame kontekste, pagrindinis iššūkis yra ne suskaičiuoti kokia nors prasme optimalų maršrutą, bet valdyti natūraliai atsirandantį neužtikrintumą. Besikeičiantis ir tiksliai neprognozuojamas eismas reiškia, kad kelionės laiko prognozės yra daugiau ar mažiau neužtikrintos, kaip ir energijos suvartojimo laiko prognozės ar iš jų išplaukiantys prognozuojami reikalingi įkrovimo laikai yra neužtikrinti. Minimas neužtikrintumas didėja, kuo ilgesni yra maršrutai.
Ilgų elektromobilių maršrutų modeliavimui projektas pasiūlė taip vadinamus CAT (Charge-Arival-Time) profilius. Maršruto CAT-profilis reprezentuoja prognozuojamus atvykimo laiko ir energijos likučio baterijoje intervalus, taip pat galimą šių dviejų dydžių tarpusavio priklausomybę. Naudojant CAT-profilius, projektas sukūrė euristinį elektromobilių maršrutų planavimo algoritmą, kuris naudoja tradicinį maršrutų planavimo algoritmą kaip bazinį funkcinį bloką.
Kadangi projekte tyrinėjami algoritmai dažniausiai yra euristiniai, tokių algoritmų efektyvumas ir našumas gali būti įvertintas tik didelės apimties eksperimentinių studijų pagalba. Tuo tikslu, projektas sukūrė pusiau sintetinį duomenų generatorių. Naudodamas eismo simuliatorių, realius eismo pasiskirstymo dėsningumus, elektromobilio specifikacijas ir topografinę informaciją, generatorius sugeneruoja nuo laiko priklausančius kelionės laiko ir energijos vartojimo svorius ant kelių tinklo grafo briaunų. Projektas pademonstravo, kad generatoriaus generuojami kelionės laiko ir energijos vartojimo dydžiai ilgoms kelionėms yra panašūs į komercinių servisų teikiamus įverčius, kurie remiasi tikrais duomenimis.
Elektromobilių naudojamos energijos prognozavimas yra vienas iš esminių maršrutų planavimo algoritmų elementų. Tuo tikslu projektas pasiūlė giliojo mašininio mokymosi modelius apmokytus ant realių elektromobilių duomenų. Pusė iš pasiūlytų modelių yra tikimybiniai, t..y. jie prognozuoja ne paprastą taškinį