融合多源时空感知与协同演化的低碳车辆路径动态优化方法

《Engineering Applications of Artificial Intelligence》：Low carbon vehicle Routing dynamic optimization method integrating multi-source spatiotemporal perception and collaborative evolution

　　

在全球“双碳”战略与智慧物流的背景下，优化车辆路径既是提升配送效率的关键，也是减少交通排放的核心。然而，现有研究往往依赖静态排放因子和单一数据源，导致碳估算不准确且动态响应能力薄弱。针对这些不足，研究人员提出了一种面向同质燃料车队的新型数据驱动优化框架。其核心创新在于利用时空图卷积网络（ST-GCN）融合多源时空交通数据与车载远程信息处理系统（OBD）数据。这种深度融合构建了由发动机负载和加速度校准的动态碳排放模型，显著提升了排放感知精度。在此基础上，研究人员构建了以最小化碳排放、总行驶时间和时间窗违约为目标的多目标优化模型。为求解该模型，研究人员开发了一种多源时空协同演化优化算法（MSTCE），该算法利用协同演化机制和扩散修正策略进行高效的帕累托前沿搜索。在扩展的所罗门（Solomon）数据集和真实案例上的实验表明，所提方法优于主流基准算法。具体而言，与次优算法（DPcoEA）相比，MSTCE 的中位超体积（HV）达到 0.851，碳排放预测均方根误差（RMSE）降低了 52.5%（从 12.88 kg-CO2降至 6.12 kg-CO2），时间窗违约率（TWVR）降低了 40.8%（从 13.85%降至 8.20%）。中位间距（Spacing）指标提升了 22.2%，表明帕累托前沿的多样性更好。在 100 个客户实例上的平均计算时间为 285 秒，适用于离线规划。该工作为物流企业提供了一种平衡经济、环境和实时服务目标的精确调度工具，具有重要的理论与实践价值。

在全球气候变化与“双碳”战略的双重驱动下，物流运输行业面临着日益严峻的碳减排压力。国际能源署（IEA）数据显示，交通运输占全球能源相关碳排放的 23%，其中道路运输贡献了 86.32%，占据绝对主导地位。随着电子商务带来的“小批量、高频次”城市配送模式普及，车辆行驶频率显著增加，持续推高了碳排放强度。在此背景下，低碳车辆路径问题（LC-VRP）成为物流系统节能减排的关键技术路径。然而，现有的 LC-VRP 研究存在三个主要缺陷：一是碳排放模型多基于静态假设，缺乏对发动机负载和加速度动态变化的实时响应，导致估算偏差大；二是数据融合深度不足，难以有效对齐交通、气象及车况等多源异构数据；三是研究对象多集中于异质车队或电动车队，忽视了当前物流运营中仍占绝大多数的同质燃料车队在动态环境下的路径优化问题。针对上述空白，研究人员在《Engineering Applications of Artificial Intelligence》上发表了题为“融合多源时空感知与协同演化的低碳车辆路径动态优化方法”的研究成果，旨在构建一种由多源时空数据驱动的新型优化框架，以提升同质车队的低碳路径规划能力。

研究人员开展的研究主要围绕动态碳排放校准、多目标同质车队模型构建以及时空特征驱动的协同演化算法设计三个核心方面展开。研究首先提出了一种动态碳排放校准理论，通过整合车载诊断系统（OBD）导出的发动机负载、加速度平方项及多源环境数据，克服了静态排放因子的不准确性。其次，针对同质燃料车队设计了包含碳排放、总时间和时间窗违约三个目标的解耦优化模型，揭示了各目标间的冲突规律与均衡条件。最后，提出了一种基于非支配排序遗传算法 III（NSGA-III）并嵌入时空图卷积网络（ST-GCN）特征的多因子协同演化策略，以解决多源数据处理中的帕累托解空间收敛瓶颈。研究结论表明，该方法不仅显著提高了碳排放感知的精度，还有效平衡了经济效益、环境效益与服务实时性，为构建绿色智能交通系统提供了 foundational technology（基础技术）。

在技术方法层面，研究人员主要采用了三项关键技术。首先是基于 ST-GCN 的时空编码机制，用于实现交通流、环境参数及车辆状态数据的跨模态对齐与动态特征提取，该机制能够处理来自全球定位系统（GPS）轨迹、开放街道地图（OpenStreetMap）及 OBD 数据的异构信息。其次是动态碳排放建模技术，该方法摒弃了传统的固定系数，转而利用深度学习模型实时校准由发动机负载和加速度决定的瞬时排放因子。最后是混合了多模态扩散修正模块（TopoDiffuser）的协同演化算法，该算法将扩散模型的生成能力引入进化计算，通过周期性注入高质量候选解来增强种群多样性，避免陷入局部最优。研究数据来源于扩展的所罗门（Solomon）标准测试集以及实际物流运营场景中的真实案例数据。

研究结果部分主要包含以下发现：
动态碳排放校准效果显著。通过整合 OBD 数据与环境信息，研究人员建立的动态模型将碳排放预测的均方根误差（RMSE）从 12.88 kg-CO2大幅降低至 6.12 kg-CO2，降幅达 52.5%。这表明该方法能更精准地反映车辆在不同路况和驾驶行为下的真实排放水平。
多目标优化性能优越。在对比实验中，提出的多源时空协同演化优化算法（MSTCE）在中位超体积（HV）指标上达到 0.851，优于现有的主流算法。特别是在处理同质车队时，该算法能有效探索帕累托前沿，找到碳排放、时间成本与服务质量之间的最佳平衡点。
服务可靠性大幅提升。针对城市配送中常见的时间窗约束，MSTCE 算法将时间窗违约率（TWVR）从 13.85% 降低至 8.20%，降幅为 40.8%。这证明了该方法在复杂动态交通环境下的鲁棒性和实时响应能力。
解集多样性增强。通过引入扩散修正策略，算法的中位间距（Spacing）指标提升了 22.2%，说明生成的解决方案集在目标空间中分布更加均匀，为决策者提供了更多样化的选择方案。

在讨论与结论部分，研究人员总结指出，本研究成功解决了城市物流中同质燃料车队的低碳路径优化难题。通过融合多源数据融合、动态排放建模和多目标优化技术，研究不仅克服了传统方法依赖静态数据的局限性，还提出了一套完整的理论与实践框架。研究证实，利用 ST-GCN 进行跨模态特征提取，并结合考虑发动机负载与加速度平方项的动态排放模型，能够显著提升碳足迹感知的准确性。此外，所开发的 MSTCE 算法在处理高维、动态约束下的多目标优化问题时表现出卓越的性能，能够在可接受的计算时间内（如 100 个客户节点约 285 秒）提供高质量的调度方案。该研究成果可直接应用于电商配送、冷链物流及市政环卫等实际场景，帮助企业在降低燃油成本和碳税支出的同时，提升准时交付率，具有显著的工程应用价值和社会效益。