《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Combined stochastic and robust optimization for electric autonomous mobility-on-demand with nested Benders decomposition
编辑推荐：
研究人员提出了一种结合随机与鲁棒优化的模型预测控制（Model Predictive Control, MPC）框架，用于电动自动驾驶按需出行（Electric Autonomous Mobility-on-Demand, EAMoD）系统，该框架管理需求、能
研究人员提出了一种结合随机与鲁棒优化的模型预测控制（Model Predictive Control, MPC）框架，用于电动自动驾驶按需出行（Electric Autonomous Mobility-on-Demand, EAMoD）系统，该框架管理需求、能源、时间和充电不确定性。贝叶斯神经网络（Bayesian Neural Networks, BNNs）生成多变量出行和充电需求场景。通过软聚类（soft clustering）进行场景缩减，保留了未来不确定性的关键模式。定制的嵌套Benders分解（Nested Benders Decomposition, NBD）算法高效求解大规模混合整数线性规划（Mixed-Integer Linear Program, MILP）模型。仿真结果表明，与基线方法相比，成本降低且可靠性提高。
**论文解读：结合随机与鲁棒优化的电动自动驾驶按需出行（EAMoD）系统**
**研究背景与问题**
随着全球城市化进程加速，交通系统面临拥堵、污染、基础设施老化等挑战，智能城市理念应运而生，其中智能交通系统（Intelligent Transportation Systems, ITS）通过集成实时数据、联网基础设施和自动驾驶车辆来优化出行。电动自动驾驶按需出行（Electric Autonomous Mobility-on-Demand, EAMoD）系统作为其中一项有前景的发展，由集中控制的电动自动驾驶车队提供按需运输服务，可减少城市排放、提升运营效率并加速电动汽车（Electric Vehicles, EVs）的普及。然而，EAMoD系统的优化需要联合解决多个相互依赖的问题：根据时空变化的需求派遣车辆、空车重平衡以预测未来不均衡、以及充电与车辆到电网（Vehicle-to-Grid, V2G）操作的调度，且这些决策必须在不确定性下做出，因为出行需求、充电器可用性、旅行时间和能耗均为随机且时间相关。
现有研究通常仅处理部分挑战。许多研究关注车辆分配而未考虑电动汽车的有限续航和充电约束；部分研究将充电与调度分离，或依赖确定性预测，未能全面考虑未来不确定性。在场景建模方面，构建能忠实表示多变量、时间相关不确定性的缩减场景树计算成本高，且多数缩减技术局限于单一不确定性源或未保留随机过程的过滤结构。此外，求解适用于实时操作的大规模多阶段随机优化问题本身即为重大挑战，流行分解方法如随机对偶动态规划（Stochastic Dual Dynamic Programming, SDDP）假设阶段独立，这在EAMoD中因不确定性具有强时间依赖性而违反。因此，需要一种综合框架来同时处理这些不确定性。
**研究内容与结论**
研究人员提出了一种结合随机与鲁棒模型预测控制（Model Predictive Control, MPC）的框架，用于EAMoD车队优化，以集成方式应对上述挑战。该框架使用贝叶斯神经网络（Bayesian Neural Networks, BNNs）生成校准的出行需求和充电器可用性概率预测，捕捉空间和时间相关性。这些预测用于生成多阶段场景树，并通过基于聚类的技术高效缩减，以处理多个不确定性源。得到的混合整数线性规划（Mixed-Integer Linear Program, MILP）通过定制的嵌套Benders分解（Nested Benders Decomposition, NBD）算法求解，该算法利用场景树结构并实现并行计算。鲁棒机会约束（robust chance constraints）确保能耗和旅行时间在最坏情况下的可行性。该框架在旧金山和芝加哥的高保真仿真中评估，使用真实出租车数据，并辅以车辆效率、电池容量、车队规模和充电基础设施的全面敏感性分析。
主要结论包括：与确定性、反应式和鲁棒基线方法相比，中位等待时间降低高达36%，95%分位数延迟降低20%，重平衡距离降低27%，电力成本节省约35%。贝叶斯神经场（Bayesian Neural Field, BNF）预测模型在点精度和校准的不确定性量化方面均优于现有基线。敏感性分析表明，高效车辆对电池尺寸敏感性低，而低效车辆需要更大电池以避免性能退化，且性能提升在70 kWh左右趋于平稳。论文发表在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》。
**主要技术方法**
1. **贝叶斯神经网络（Bayesian Neural Network, BNN）**：用于多变量时空预测，采用负二项分布（Negative Binomial distribution）建模过分散计数数据，输出预测均值和方差，并通过变分推断（Variational Inference）近似后验。输入特征包括时间、空间坐标及二阶交互项，以捕捉时空耦合。
2. **场景树生成与缩减**：基于BNN概率预测，生成多阶段场景树，并通过软k均值聚类（soft k-means clustering）在每个时间步缩减场景数，使用簇中心代表场景，保留关键不确定性模式。算法在鲁棒水平（robust horizon）内分支，避免指数增长。
3. **嵌套Benders分解（Nested Benders Decomposition, NBD）**：将多阶段随机MILP分解为层次化两阶段问题，通过前向-后向迭代（fast-forward-fast-back）求解，子问题并行计算，并采用热身割（warm-up cuts）和阶段聚合（stage aggregation）加速收敛。
**研究结果**
**6.1 仿真环境**：研究使用高保真交通仿真器AMoDeus（基于MATSim），针对旧金山（2008年5月29日，11,453次出行，车队500辆）和芝加哥（2019年7月24日，32,406次出行，车队1600辆）两个案例，采用10个充电站、50个SoC（电池荷电状态，State of Charge）离散区间、10分钟时间步长、20步预测水平（200分钟）和6步鲁棒水平（60分钟）。电池容量分别为40 kWh和70 kWh，充电曲线基于Wassiliadis et al. (2021)的非线性模型。
**6.2 出行需求预测**：通过比较BNF与多输出高斯过程回归（MOSK）、长短期记忆网络（LSTM）和向量自回归移动平均模型（VARIMA），BNF在所有时间段的均方根误差（RMSE）和平均区间得分（MIS）上均最优。在旧金山，RMSE较LSTM平均降低57.9%，较MOSK降低18.1%；在芝加哥，分别降低60.4%和33.3%。MIS方面，BNF较MOSK在旧金山降低43.6%，在芝加哥降低36.4%。BNF在高峰时段（06:00-10:00和17:00-21:00）表现更稳健。
**6.3 嵌套Benders分解性能**：NBD在135个场景时10次迭代收敛，中位最优性间隙0.08%；540个场景时约90秒，间隙0.09%；1125个场景时约6分钟，15次迭代，中位间隙1.50%。结果表明NBD在计算上可行，且能提供高质量解。
**6.4 EAMoD优化性能比较**：将所提随机模型预测控制（SMPC）与确定性平均预测优化（DMP）、鲁棒机会约束优化（RCC）和反应式基线（RB）比较。在芝加哥，SMPC中位等待时间214秒，95%分位数767秒，较DMP（872秒）改善12%，较RB（955秒）改善20%；重平衡距离每车70.1 km，较RCC（96.6 km）降低27%。在旧金山，SMPC中位等待时间229秒，较RB（360秒）降低36%；95%分位数548秒，较RB（670秒）改善约20%；重平衡距离108.5 km，较RCC（124.8 km）降低13%。在电费方面，SMPC在峰时和太阳能电价下实现最低有效成本和最高V2G收益。
**6.4.1 SMPC组件分析**：移除场景树导致中位等待时间从229秒升至240秒，表明场景树是核心组件；移除机会约束导致95%分位数从548秒升至568秒；鲁棒水平从6步降至2步导致中位和95%分位数分别升至236秒和561秒，表明各组件均有贡献。
**6.5 敏感性分析实验设置**：研究考察三种车辆类型（高、中、低能效）和三种电池容量（40、70、100 kWh），以及车队规模和充电器数量的影响。车辆参数基于Basso et al. (2021)的能耗模型。
**6.6 电池尺寸与能效敏感性分析（旧金山）**：高效车辆（Vehicle 1）的中位等待时间在40-100 kWh电池下几乎不变（约220秒），且V2G收益最高（40 kWh时304欧元/车，100 kWh时390欧元/车）。低效车辆（Vehicle 3）在40 kWh时性能极差（中位325秒，95%分位数2625秒，超过3600次出行等待超600秒），升级至70 kWh后大幅改善（中位219秒，95%分位数432秒），但100 kWh时改善有限。中效车辆（Vehicle 2）在70 kWh时性能接近饱和。充电频率分析显示，高效车辆每日充电循环次数最低且稳定。
**6.7 电池尺寸与能效敏感性分析（芝加哥）**：在芝加哥更高需求下，Vehicle 1仍保持稳健，中位等待时间从40 kWh的214秒降至70 kWh的203秒，95%分位数从1302秒降至673秒。Vehicle 2对电池尺寸更敏感，40 kWh时中位293秒，95%分位数9772秒，70 kWh时改善至221秒和2919秒，100 kWh时进一步降至204秒和692秒。Vehicle 3在70 kWh时中位316秒，但95%分位数超过18000秒，100 kWh时仍达10830秒，表明低效车辆在密集城市环境下即使大电池也难以达到可接受服务水平。V2G收益方面，Vehicle 1收益最高（约580欧元/车），Vehicle 3最低（约550欧元/车）。
**总结与讨论**
论文结论部分（Section 7）指出，所提出的结合随机与鲁棒模型预测控制框架通过集成贝叶斯神经场概率预测、多阶段随机优化和鲁棒机会约束，统一优化了调度、重平衡、充电和V2G决策。关键方法贡献是定制的嵌套Benders分解算法，它利用场景树结构求解具有时间相关不确定性的大规模多阶段混合整数问题，实现了实时应用。仿真结果表明，在旧金山和芝加哥，该框架在乘客等待时间、重平衡距离和电力成本方面均有一致改善，分别达36%、27%和35%。贝叶斯神经场预测模型在点精度和校准不确定性量化上优于现有基线。分析还揭示了一个结构性见解：多阶段随机预期的相对价值取决于控制更新频率；当滚动时域更新频繁时，闭环反馈减轻了预测误差，但并未消除随机优化的边际收益。对于更长决策间隔或更强时间耦合的不确定性，随机控制的优势预计将更大。总体而言，该框架为下一代自动驾驶出行系统集成预测不确定性建模和能量感知车队控制提供了可扩展且计算可行的路径。未来研究方向可能包括基于嵌套距离的场景树构建、更原则性的终端成本设计（如近似动态规划或强化学习），以及扩展至内生定价、网络拥堵效应或充电基础设施与车队组成的联合优化。
