Nástroj pro doporučování nabíjení pro řidiče elektrických taxi

Abstract

Tato bakalářská práce se zabývá optimalizací strategie řidiče elektrického taxi ve smyslu plánování nabíjení, přibližování se klientům či čekání na klienty na potenciálně výhodných místech. Cílí především na doporučování místa a času nabíjení, ale také jednotlivých rozhodnutí řidiče se snahou maximalizovat jeho zisk. Nejprve jsem se zaměřil na obecný úvod do tématu elektrických vozidel, společně s průzkumem dostupných zdrojů zabývajících se vytvářením strategií pro pohyb nejen elektrických, ale i standardních (se spalovacími motory) taxi. Následně jsem navrhl dvě reprezentace prostředí (mřížková, K-means shlukování) a celý problém definoval pomocí frameworku MDP. Rovněž jsem představil algoritmus založený na dynamickém programování, který generuje navrhovanou sekvenci kroků, jichž by se měl řidič taxi držet. Důležitou částí řešení je rovněž odhad potřebných parametrů kupříkladu pravděpodobnosti vyzvednutí a vysazení zákazníka na konkrétních místech. Toto jsem provedl z rozsáhlého data setu historických cest taxíků. Závěrem jsem navržený algoritmus naimplementoval a experimentálně ukázal jeho výsledky v různých prostředích v porovnání se základním modelem chování řidiče elektrického taxi. Provedené experimenty ukázaly, že má metoda překonává zvolený základní model, jak v aspektu celkového přijmu řidiče, ve vzdálenosti nutné urazit k místu vyzvednutí pasažéra, ale také v efektivitě výběru nabíjecí stanice.

This thesis deals with the problem of optimization of an electric taxi driver's strategy in terms of charging, passenger approaching or waiting in potentially favorable locations. It focuses primarily on recommending charging actions and taxi driver's decisions concerning the maximization of the driver's potential profit. Firstly I focused on a general introduction to the topic of electric vehicles together with a research of state of the art in the taxi movement strategy recommending field. I then proposed two concrete environment representations (Grid World, K-Means clustering) and defined the recommending problem as a Markov Decision Problem (MDP). I also presented an algorithm based on dynamic programming generating a policy for an electric taxi driver. An essential part of the presented solution method is an estimation of parameters such as pick-up and destination probability of passenger trips connected with particular locations on a planning map. It was done based on sizeable historical taxi trip data sets. Subsequently, I implemented the proposed algorithm based on a simple principle of dynamic programming. Finally, I experimentally showed the performance of my solution working in different environments compared with a base model of an electric taxi driver behavior. Experiments showed that my algorithm outperforms the base model in several fields, such as a total taxi driver's profit, distance to the next passenger, or charging station choice efficiency.