Forskare vid Chalmers har utvecklat en metod som kombinerar AI-prognoser med robust optimering för att fatta beslut under osäkerhet. Forskarna har demonstrerat tekniken på självkörande eltaxiflottor, men principerna kan även vara användbara inom exempelvis energisystem, logistik och industriell automation.
En av de stora utmaningarna när komplexa system ska styras är att verkligheten sällan följer prognoserna. Efterfrågan förändras, resurser blir otillgängliga och oväntade händelser kan snabbt göra en tidigare optimal plan oanvändbar. Det är detta problem som forskarna vid Chalmers tekniska högskola har angripit.
I sin doktorsavhandling har Sten Elling Tingstad Jacobsen utvecklat en metod där maskininlärning används för att förutsäga framtida behov, medan en matematisk optimeringsmodell avgör hur tillgängliga resurser ska fördelas. Det speciella är att systemet inte bara använder prognoserna utan också tar hänsyn till hur osäkra de är.
Forskarna använder bayesianska neurala nätverk, BNN, som till skillnad från många traditionella maskininlärningsmodeller även kan uppskatta osäkerheten i sina förutsägelser. Därmed kan optimeringen ta höjd för att verkligheten utvecklas annorlunda än väntat.
– Det som är unikt med vårt arbete är att vi uttryckligen tar hänsyn till den osäkerhet som finns i en storstad och optimerar fordonsflottans drift utifrån den, säger Sten Elling Tingstad Jacobsen.
Forskarna har tillämpat metoden på självkörande elektriska taxiflottor. Där måste ett centralt styrsystem hela tiden avgöra var lediga bilar ska placeras, vilka områden som kommer att ha störst efterfrågan och när fordonen behöver laddas. Besluten påverkar varandra och måste dessutom fattas utan att man säkert vet hur många resenärer som kommer att behöva transport.
Prognoserna bygger på historiska taxidata från San Francisco och Chicago. Maskininlärningen används för att uppskatta efterfrågan och tillgången till laddstationer, men fattar inte själv besluten. Det gör i stället en optimeringsmodell med definierade mål och begränsningar.
En annan central del av forskningen är att göra beräkningarna praktiskt genomförbara. När antalet fordon, laddstationer och möjliga beslut växer blir optimeringsproblemet snabbt så omfattande att det inte går att lösa direkt inom rimlig tid.
Forskarna använder därför en teknik som kallas "Nested Benders Decomposition". Den delar upp det stora problemet i mindre delproblem som kan lösas effektivare och sedan kombineras. På så sätt kan systemet hitta lösningar som ligger mycket nära det matematiska optimumet utan att behöva undersöka varje tänkbart alternativ.
– Vår metod hanterar detta genom att dela upp problemet i mindre och mer hanterbara delar, som kan lösas effektivt och sedan kombineras för att beräkna hur fordonsflottan som helhet bäst ska fördelas i staden, säger Jacobsen.
Även om forskningen är inriktad på autonoma eltaxibilar är det bakomliggande problemet inte unikt för transporter. Elnät måste balansera produktion, lagring och förbrukning trots osäkra prognoser. Logistiksystem behöver fördela fordon och resurser när efterfrågan förändras, och inom industrin måste produktionen anpassas till störningar och varierande kapacitetsbehov.
Forskningen har genomförts i samarbete med Volvo Cars. Bakom arbetet står Sten Elling Tingstad Jacobsen och professor Balázs Kulcsár vid Chalmers samt Anders Lindman vid Volvo Cars. Den senaste studien har publicerats i den vetenskapliga tidskriften "Transportation Research Part C: Emerging Technologies".