論文読み会 SDM2021 | LDFeRR: A Fuel-efficient Route Recommendation Approach for Long-distance Driving Based on Historical Trajectories

論文読み会のための資料

(A slide for the paper-reading group at my company.)

Transcript

1. 
   
   読む人: @cocomoff
   
   @論文読み会 2021/7/8
   

   View Slide

2. 概要
   カーボンニュートラル時代では，長距離トラックなどの車両は低燃費な (Fuel-
   efficient) 経路 を選ぶことが重要であるが，長距離経路は市内の経路探索 (e.g.,
   Google Map) とは異なった特徴を持つ
   (1) MLPとAttention + GRUを使って燃料消費量を予測する (2) 予測した値からA*探
   索の評価値を学習・計算する という手法を提案・評価 (Long-distance Driving Fuel-
   efficient Route Recommendation (LDFeRR))
   1/17
   

   View Slide

3. A*アルゴリズム
   地点 を評価値 の順で展開する探索アルゴリズム
   : スタートから現在地 までのコスト
   : 現在地 からゴールまでの推定コスト
   2/17
   

   View Slide

4. 提案手法LDFeRRのブロック図 3/17
   

   View Slide

5. 目次
   言葉の定義・問題定義
   提案手法
   概要
   特徴抽出
   コスト とMLP
   コスト とBiGRU
   アルゴリズム: 普通のA*に上の を使う
   実験と結果
   4/17
   

   View Slide

6. 言葉の定義・問題定義
   グラフ
   頂点 (位置) には緯度経度 が対応している
   適当にマップマッチングされている前提
   論文ではあまり関係がない (軽く触れられているだけ)
   経路 : 位置の系列 (出発地 ，目的地 )
   軌跡 : 位置 と通過時刻 のペアの系列
   クエリ : から時刻 に出発し， まで移動したい気持ち
   問題
   と が与えられたとき，最も低燃費な経路 を求める
   5/17
   

   View Slide

7. 目次
   言葉の定義・問題定義
   提案手法
   概要
   特徴抽出
   コスト とMLP
   コスト とBiGRU
   アルゴリズム: 普通のA*に上の を使う
   実験と結果
   6/17
   

   View Slide

8. 提案手法 | 概要
   LDFeRRはDeepとA*を融合した枠組みである
   特徴抽出モジュール (左側のブロック)
   過去の軌跡から「道路」「時間」「天気」の特徴 を抽出する
   ついでに既知コスト を評価する
   将来コストの予測モジュール
   経路と の情報をAttention + BiGRUに食わせて を予測する
   全体として通常のA*っぽいアルゴリズムを実行する
   7/17
   

   View Slide

9. 提案手法 | 特徴抽出
   著者らの主張と例
   長距離移動では「都市間交通」と「都市内交通」が両方含まれるため，通常の経路
   探索/推薦 (市内) を利用すると，非効率である
   例: 経路周辺のPOI (Point-of-Interest) が燃料消費量に影響すると言われているけど，
   都市間交通 (e.g., 高速道路) ではPOI情報が少ない
   提案: 利用する特徴をいろいろ突っ込めば :
   8/17
   

   View Slide

10. 提案手法 | コストとMLP
    特徴 (連続，カテゴリ) が混ざっているので，正規化と埋め込みを行う [1]
    行った結果の特徴ベクトルを と表す
    Observable cost の推定
    既に消費した量 + ある辺 を時刻 に移動する際の予測量
    予測すればいいので普通のMLPを使う:
    MLPの学習は過去履歴で実際に利用した燃料との二乗誤差最小化
    9/17
    [1] C. Guo, and F. Berkhahn, Entity Embeddings of Categorical Variables, CoRR, abs/1604.06737 (2016).
    

    View Slide

11. 提案手法 | コストとBiGRU
    既知の軌跡が利用できる よりも は推定が難しい
    [2] の考え方を用いて，目的地の top- 最短経路を計算した上で推定する
    top- 最短経路の計算 [3]: ,
    タスク: 経路 (頂点のリスト) を受け取り，消費量を推定する
    系列モデリングタスクなので，Attention + BiGRUを用いる
    (0.5pぐらいBiGRUの式とかAttentionとか出てくるけど省略)
    頂点ペア間 ( ) の推定量と実消費量の二乗誤差を最小化
    10/17
    [2] N. Wu, J. Wang, W. X. Zhao, and Y. Jin, Learning to Effectively Estimate the Travel Time for Fastest Route Recommendation (CIKM2019)
    [3] L. Chang,
    X. Lin, L. Qin, J. X. Yu, and J. Pei, Efficiently Computing Top-K Shortest Path Join (EDBT2015)
    

    View Slide

12. 目次
    言葉の定義・問題定義
    提案手法
    概要
    特徴抽出
    コスト とMLP
    コスト とBiGRU
    アルゴリズム: 普通のA*に上の を使う
    実験と結果
    11/17
    

    View Slide

13. 実験 | データセット
    Large real world dataset FAW (First Automobile Works); 2018/1/1-12/31
    OpenStreetMap (グラフ) + FastMapMatching (マップマッチング)
    training, validation, test data を 7:1:2 に分割
    12/17
    

    View Slide

14. 実験 | 比較手法
    GreenGPS [4]
    過去の燃料消費量履歴から計算する
    EcoTour [5]
    辺に過去データから算出するeco-weightを載
    せて計算する
    FeRR-GT [6] ゲーム理論に基づく手法
    GreenPlanner [7] POIの数に基づくヒューリスティ
    ック (→みたいなアプリ)
    13/17
    [4] R. K. Ganti, N. Pham, H. Ahmadi, S. Nangia, and T. F. Abdelzaher, GreenGPS: a participatory sensing fuel-efficient maps application (MobiSys2010)
    [5] O. Andersen, C. S. Jensen, K. Torp, and B. Yang, EcoTour: Reducing the Environmental Footprint of Vehicles Using Eco-routes (MDM2013) [6] C. Lo,
    C. Chen, J. Hu, K. Lo, and H. Cho, A Fuel Efficient Route Plan App Based on Game Theory (IoTaaS2017) [7] Y. Ding, C. Chen, S. Zhang, B. Guo, Z. Yu,
    and Y. Wang, GreenPlanner: Planning personalized fuel-efficient driving routes using multi-sourced urban data (PerCom2017)
    

    View Slide

15. 実験 | 評価結果
    評価指標: Saving (距離あたり), Improvement (燃料消費量比率)
    short; 50km未満 / long; 100km以上
    推測のパラメータ は ぐらいで良い
    14/17
    

    View Slide

16. 実験 | 特徴のablation study
    (A) slope (B) highway mileage ratio (C) idling time (D) BiGRUをGRUにする (E)
    Attentionの有無
    (A)は に，(B)と(C)はGRU通した後の で用いている
    15/17
    

    View Slide

17. 実験 | Case Study
    赤色が燃料efficient，緑色が最短経路，青色が経験者が選んだ経路
    16/17
    

    View Slide

18. まとめ
    A*探索の評価値 の2つの関数をNNで計算する (これは面白い，
    end-to-endとかも最近はありそう)
    いろいろ特徴量使っているけどそこは別になんでもいい (たぶん)
    前半 は過去のデータがあるので実測に近い
    将来予測 は何個かのパターンから推定する
    目的は過去データに基づいて燃料消費が少ない経路を選ぶこと (この分野では研究
    がされてきている分野らしい)
    手法はそんなに複雑ではないが目的が今風になっている (重要?)
    結果はめっちゃ面白いわけではない (仕方ない)
    17/17
    

    View Slide