《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:Predicting dwell time of logistics electric vehicles in urban last-mile delivery: A SHAP-based ensemble approach
编辑推荐:
物流电动车辆(LEV)停泊时间预测与优化研究基于上海1个月1065次停泊数据,采用XGBoost/LightGBM/CatBoost集成模型结合SHAP可解释分析,实现R2=0.993的高精度预测。研究表明电池状态(start/end_soc)、行驶速度、时间窗及充电状态是主要影响因素,为城市物流调度、充电设施布局和运营成本优化提供决策支持。
Irfan Ullah | Muhammad Asim Ayaz | Minghui Zhong | Xiyan Mao | Quan Yuan
同济大学交通学院,中国上海201804
摘要
随着全球对低排放交通和智能移动生态系统的推动,物流电动汽车(LEVs)在可持续城市货运和最后一公里配送中变得越来越重要。然而,由于能源限制、充电行为和城市物流动态之间的复杂相互作用,优化LEVs的运营仍然具有挑战性。本研究旨在使用可解释的机器学习(ML)技术预测LEVs的停留时间(即停车持续时间),以支持高效的车队调度和能源规划。本研究利用了在上海收集的一个包含1,065次LEV停车的实时数据集,这些数据涵盖了运营、时间和能源相关变量。通过集成XGBoost、LightGBM和CatBoost的堆叠集成模型,实现了高预测精度,并采用SHAP分析来解释关键特征的影响。所提出的模型达到了0.993的R2值,显著优于单个学习器,并揭示了运营、时间和能源相关变量之间的复杂非线性关系。SHAP分析表明,最终电量(end_soc)和起始电量(start_soc)是停留时间的主要驱动因素,其次是行驶速度、距离、一天中的时间和充电状态指标。这些发现突显了能源条件和时间窗口在塑造停留时间中的关键作用。该研究为物流公司提供了可操作的见解,例如改进路线优化、充电站布局和班次规划。它还为城市规划者和监管者提供了政策指导,以设计兼容智能电网的基础设施、激励方案和公私数据合作,以提高LEV生态系统的性能。
引言
国际能源市场的日益不稳定以及环境要求的加强加速了对低碳交通技术的追求(Rajput和Pathak,2025年)。电气化现在是实现交通部门脱碳的关键途径(Bogdanov等人,2024年)。城市交通的车辆密度远高于农村网络,因此其能源足迹不成比例地大(Connolly等人,2022年),这使得城市成为评估电动汽车(EV)部署的重要领域(Liu等人,2023年)。在过去十年中,所谓的新能车辆在政策推动下在全球范围内得到了推广,市政激励计划促进了电池电动乘用车的稳步商业化。在此基础上,电池电动轻型卡车和货车开始渗透到城市货运系统中,并逐渐被视为物流部门绿色转型的关键推动者(Kozhedub,2022年)。在运营上,物流电动汽车(LEVs)主要被用于短途、城市内的任务,从仓库之间的支线转运到最后一公里的包裹配送,这反映了它们当前的续航里程和充电基础设施限制(Wang等人,2019年)。
城市物流中的LEVs比传统燃油车辆排放更少,但其高昂的购买成本和不足的充电设施限制了其采用(Dadashzada等人,2025年)。相比之下,城市物流中的LEVs受益于政府激励和降低的驾驶成本(Bachofner等人,2022年)。因此,城市物流服务提供商在选择电动卡车和传统卡车时面临困境(Roman和Zadek,2024年)。企业用户还必须考虑在城市物流中使用EV的成本(Comi等人,2024年)。尽管由于生命周期成本较低,企业客户可能更倾向于使用城市物流中的LEVs,但在市场上竞争仍然困难(Das等人,2023年)。同样,LEVs在城市货运中承诺大幅减少尾气排放(McKinnon,2023年),但由于车队管理者面临三重权衡——较高的购置成本、稀疏的公共充电基础设施和续航不足的运营风险,其采用率仍低于政策目标(Pourvaziri等人,2024年)。尽管政府补贴、车牌优惠和较低的每公里能源成本部分抵消了购买溢价(Hart等人,2024年),但物流公司必须确保电动车队能够像柴油货车一样满足严格的交货时间要求(Melo等人,2014年)。理论上,LEVs的总体拥有成本在整个生命周期内已经具有优势,但实际竞争力取决于日常使用情况,特别是车辆在每个停车点停留的时间以及必要时重新充电的时间(Hao等人,2024年)。
停留时间这一组成部分是运营不确定性最大的关键点之一。与传统物流车辆不同,如果LEVs的电量(SOC)低于驾驶员认为安全的下一个行程段阈值,或者充电位被占用,LEVs的停留时间可能会延长数十分钟(Tietz等人,2025年)。本研究还通过德国的一个案例研究强调了停留时间对EV的不利运营影响,在LEVs的情况下,这种变异性变得更加关键,因为它会通过整个调度过程传播:低估的停留时间通常会延长路线;总是导致错过客户的时间窗口;拥堵下游的充电点;并且最终会削弱廉价电力和政府激励带来的成本优势。因此,准确预测最后一公里LEVs的停留时间对于三个紧密耦合的规划任务至关重要:精确的停留时间预测允许控制塔在车辆停靠时立即更新预计到达时间;如果交付延迟,提前通知客户;提前知道哪些停车点会短或长,以便调度员(或车载算法)交换停车顺序以保持服务水平协议而不增加里程;可靠的持续时间估计使充电站预订或负载平衡算法能够最小化排队和电网高峰。
其中一个最关键的挑战是LEV的停留时间受到行程、能源和上下文变量的非线性相互作用的影响,这些变量包括:当前和目标SOC;前一阶段的距离和速度(Schücking和Jochem,2021年);交通和照明条件;一天中的时间费率结构;累积的驾驶员工作量;甚至日历效应(Zhang等人,2020年)。传统的车辆路线启发式方法将停车时间视为固定的或使用粗略的平均值,而许多最近的机器学习(ML)尝试要么依赖于提供很少运营洞察的不透明“黑箱”模型,要么完全忽略交互效应(Bai等人,2023年)。
本研究引入了第一个数据驱动的框架,该框架结合了三种领先的梯度提升算法XGBoost、LightGBM和CatBoost的堆叠集成,并使用SHAP来模拟城市LEV运营中的停留时间。堆叠架构利用了每个学习器的互补优势:XGBoost对稀疏交互的鲁棒性,LightGBM对大型表格集的快速直方图增长,以及CatBoost对分类单调性的出色处理。然后,一个元学习器汇总它们的外折叠预测,产生一个具有明显更低泛化误差的单一估计器。为了超越“黑箱”在准确性上的提升,我们为每个停车记录计算了精确的SHAP值,从而为能源状态、行程暴露、时间背景和运营进度分配了透明、可加性的重要性分数。据我们所知,没有先前的研究同时部署了这种三提升堆叠策略和统一的SHAP解释层;因此,我们的贡献提高了运营预测性能和对LEV停留时间非线性决定因素的管理洞察。
文献综述
电子商务的快速增长极大地扩展了门到门的包裹流量,从而产生了对LEV执行的城市货运操作的巨大需求(Gatta等人,2023年)。为了使物流行业符合国家碳中和目标,政府官员引入了一系列财政和监管激励措施,这些措施倾向于支持电动驱动系统,因为它们的单位能源成本较低,尾气排放明显低于柴油车辆(Dean和
数据描述
本研究利用了在上海连续一个月期间收集的高分辨率数据集,包括由1065辆LEV生成的380,009个带有时间戳的停车事件。每个事件记录了车辆从停止到重新启动的整个静止期,以及各种运营、时间、空间和能源相关的协变量。时间信息通过每秒间隔的开始时间和结束时间精确记录,并进一步分类为
可解释的ML和SHAP
本研究开发了一个堆叠集成学习框架,以准确预测LEVs的停留时间并识别关键影响因素。该方法包括几个结构化步骤(如图1所示)。首先,选择影响停留时间的相关特征以减少维度并提高模型性能。随后,分别训练几个高性能的基础模型,包括XGBoost、LightGBM和CatBoost,并调整它们的超参数
ML模型的开发和性能
本研究采用的方法侧重于比较几种集成ML算法在预测LEVs停留时间方面的预测性能。具体来说,研究了三种先进的梯度提升技术:CatBoost、LightGBM和XGBoost,以及一个集成它们个别预测的元级堆叠集成。目标是评估每个模型捕捉数据集中复杂非线性依赖性的能力
讨论
本研究的结果提供了关于影响城市货运系统中LEVs停留时间的运营动态的详细见解。基于SHAP的可解释性分析表明,与电池相关的参数(如起始电量和结束电量)在确定停留时间方面起着最重要的作用。这些发现与(Yu等人,2023年)的工作一致,他们表明优化充电和路线规划可以显著提高电动物流的运营效率
结论
本研究采用了一个强大且可解释的ML框架,专门用于预测在城市最后一公里配送场景中运行的LEVs的停留时间。该框架利用了集成XGBoost、CatBoost和LightGBM的堆叠集成模型的优势,利用每种算法的互补优势来提高泛化能力并减少过拟合。堆叠集成方法不仅优于单个模型,还实现了出色的预测性能
手稿准备过程中生成式AI和AI辅助技术的声明
在准备这项工作时,作者使用了Grammarly来检查语法相关问题。使用该工具/服务后,作者根据需要审查和编辑了内容,并对已发表文章的内容负全责。
CRediT作者贡献声明
Irfan Ullah:撰写——原始草稿、可视化、方法论、调查、正式分析、数据管理、概念化。Muhammad Asim Ayaz:撰写——原始草稿、验证、资源、调查、数据管理。Minghui Zhong:撰写——审阅与编辑、资源、项目管理、调查、资金获取、数据管理。Xiyan Mao:撰写——审阅与编辑、验证、监督、软件、资源、调查。Quan Yuan:撰写——审阅与编辑
资助
本研究由中国国家自然科学基金(项目编号52302394)和上海市科学技术委员会(项目编号24692106600)资助。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。