《Urban Science》：The Prediction Optimization Bridge (POB): A Surrogate Assisted Random Forest–NSGA-II Framework for Energy Efficient Vehicle Routing
编辑推荐：
城市货运运输是城市交通的重要组成部分，在支持城市经济和社会发展方面发挥着关键作用。然而，货运和配送活动的增长会加剧能源消耗，并增加城市交通系统的压力。在这一背景下，能源效率车辆路径问题（Energy-Efficient Vehicle Routing Prob
城市货运运输是城市交通的重要组成部分，在支持城市经济和社会发展方面发挥着关键作用。然而，货运和配送活动的增长会加剧能源消耗，并增加城市交通系统的压力。在这一背景下，能源效率车辆路径问题（Energy-Efficient Vehicle Routing Problem, EE-VRP）已成为一项重要的研究挑战，需要在路径规划复杂性与非线性运行动态之间取得平衡。从这个角度来看，数据驱动和智能优化方法可以通过将运行效率与能源性能相结合，支持城市交通系统中更高效的决策。为了应对这一挑战，本文提出了预测-优化桥梁（Prediction-Optimization Bridge, POB）模型，这是一种融合人工智能与多目标优化的混合框架，无缝集成了监督机器学习与多目标进化优化。所提出的模型将随机森林（Random Forest, RF）代理模型与NSGA-II进化算法相结合，以识别高效的车辆路径。首先，研究人员使用RF代理捕获复杂的非线性关系并最小化车队总能耗。随后，预测的能量值被集成到NSGA-II多目标进化算法中，该算法探索替代路径方案。为了增强运行真实性，动态载重更新机制在每次配送后调整车辆负载，反映沿途运输货物逐渐减少的情况。最终，随机森林代理实现了R2 = 0.9960的预测精度。此外，与传统距离贪婪路径启发式方法相比，所提出框架实现了12.47% ± 2.32%的平均能量降低，同时在五次独立实验运行中实现了归一化超体积（Hypervolume）0.6305 ± 0.0277。基于基尼（Gini）指标的特征重要性分析确定车辆载荷是影响能耗的最主要因素（约占70%）。总体而言，结果表明将向量化机器学习代理与进化多目标优化相结合，为制定节能可持续的车队路径策略提供了一种高效、稳健且可复现的方法。
**研究背景与问题提出**
随着城市空间结构快速演变和物流活动分散化，城市货运系统复杂度显著增加，导致运输距离延长、物流成本上升及能耗增加。传统车辆路径问题（Vehicle Routing Problem, VRP）主要聚焦于最小化行驶距离或运输成本，但忽视了车辆载荷动态变化、交通条件等对能耗的非线性影响。能源效率车辆路径问题（Energy-Efficient Vehicle Routing Problem, EE-VRP）由此成为重要研究方向，其核心是在路径优化中显式纳入能耗与排放因素。然而，现有进化优化方法在评估大量候选解时，直接调用物理能耗模型会带来极高计算成本，且多数研究仍依赖简化目标函数，难以准确刻画运输系统能量行为。为此，研究人员提出一种代理辅助多目标优化框架，将随机森林（Random Forest, RF）代理模型与非支配排序遗传算法II（Non-dominated Sorting Genetic Algorithm II, NSGA-II）相结合，形成预测-优化桥梁（Prediction-Optimization Bridge, POB），以实现节能车队路径优化。
**研究人员开展的研究**
本研究构建了代理辅助多目标能源效率车辆路径问题（SAMO-EE-VRP）模型。研究首先利用物理能耗函数生成包含4000条观测的合成数据集，特征包括车速、载荷比、交通条件和行驶距离。随后训练随机森林代理模型替代物理能耗计算器，并将该代理嵌入NSGA-II多目标进化搜索中。优化过程以包含一个配送中心和26个客户点的VRP实例为对象，采用基于容量约束的路径分割解码方法生成可行路径。针对车辆行驶中载重递减的实际特征，设计了动态载荷更新机制，每完成一次配送即调整剩余货物重量。为提升计算效率，研究采用记忆化缓存和向量化批推理机制，避免重复评估并加速种群适应度计算。优化流程重复五次独立运行，使用超体积（Hypervolume, HV）和间距（Spacing, S）指标评估Pareto前沿质量，并选取离理想归一化目标点最近的膝点（Knee-point）解作为最终折中方案。
**主要关键技术方法**
该研究采用以下关键技术方法：①基于物理公式的合成数据生成方法，构造包含速度、载荷率、交通系数和距离的四维输入特征；②随机森林回归代理模型，配置100棵树、最大深度10，用于近似能耗函数；③NSGA-II多目标进化算法，结合有序交叉（Ordered Crossover, OX）和洗牌索引变异操作；④动态载荷衰减机制，按客户需求顺序更新车辆剩余载重；⑤向量化批量推理与记忆化缓存加速种群评估；⑥Hypervolume和Spacing指标用于Pareto前沿质量评估。研究在Python 3.13.15环境中实现，利用Scikit-learn、DEAP等库，在Google Colaboratory平台上运行。
**研究结果**（保留小标题）
**计算效率分析**：通过监测每次独立运行的执行时间，观察到除首次运行因环境初始化、缓存创建和代理模型部署耗时稍长外，后续运行稳定在3–4秒左右。平均执行时间为4.30秒，表明所提出框架具备近实时物流规划应用的潜力。
**代理辅助预测层的验证**：通过比较物理能量模型实际输出与随机森林预测值，决定系数达到R
2 = 0.9960，表明代理模型捕捉了99.6%的能耗变异性。散点紧密围绕理想直线分布，证明预测无明显偏差，且能准确重现低能耗和高能耗运行状态。该代理模型成为物理能耗系统的高保真数字孪生，大幅降低进化搜索中的评估开销。
**多目标能量-距离权衡分析**：NSGA-II生成的Pareto前沿呈现显著负斜率，证实能耗与行驶距离两个目标存在冲突。这与传统VRP文献中“最小化距离即最小化能耗”的常见假设相反。部分Pareto最优解虽行驶距离更长，但能耗更低，其机制在于动态载荷效应：较早交付大订单可迅速降低车辆质量，从而减少后续路段能耗。这揭示了能效物流中几何效率与质量调度效率之间的基本权衡。
**路由策略比较评估**：对比随机路由、距离贪婪工业基准和所提出的POB框架，随机路由能耗最高（约833 kWh），距离贪婪启发式将能耗降至约780 kWh，而POB框架进一步降至约686 kWh。五次独立运行的平均能量节省为12.47% ± 2.32%。该节能效果完全源于智能路由决策，无需改变车辆技术或基础设施，表明优化算法自身可作为物流脱碳策略。
**优化路线的空间解释**：随机路由方案表现出路线交叉、客户序列分散、无效绕行等特征；优化方案则呈现结构化、连贯的路线模式，客户按空间邻近性分组。虽然未显式规定访问规则，进化优化与代理能量模型交互自然生成了高效配送模式，验证了框架能提取运营上有意义的解。
**基于超体积的收敛分析**：归一化超体积指标平均值为0.6305 ± 0.0277，低变异性表明优化过程在不同初始条件下均能稳定收敛至搜索空间高质量区域，兼顾Pareto前沿的收敛性与多样性。
**Pareto多样性与解分布**：间距指标平均值为109.32 ± 46.20，显示前沿上解分布存在中等程度离散。这种非均匀分布源于能耗问题的非线性特征，但提供了多种能耗-距离折中方案，有利于决策者按不同优先级灵活选择运营策略。
**能量驱动因素敏感性分析**：基于基尼（Gini）指标的特征重要性分析显示，车辆载荷贡献约70%的解释力，距离贡献约29%，速度和交通变量影响可忽略。该结果解释了Pareto分析中长距离低能耗现象，并表明节能路径规划在本质上应被视为载荷管理问题，而非单纯距离最小化问题。
**总结讨论与结论**
研究结果从预测精度、优化性能、计算效率和鲁棒性三个维度验证了POB框架的有效性。代理模型精确复现非线性能耗机制，进化优化器能探索出传统启发式难以发现的路径方案。敏感性分析从物理层面揭示载荷变化对能耗的主导作用，为Pareto权衡关系提供了机制性解释。综合来看，将车辆载荷动态纳入路径决策可在不改变车辆技术的前提下实现显著节能。该研究证明了代理辅助进化优化作为可扩展的高效方法，对智慧物流和未来物流4.0环境下的车队脱碳具有重要支撑意义。研究结论强调，在真实车队运营中，优先安排重载货物早期配送以降低整车重量，比单纯缩短地理距离更能节省燃油成本，这为城市货运可持续发展提供了新的优化方向。
