Low carbon vehicle Routing dynamic optimization method integrating multi-source spatiotemporal perception and collaborative evolution

Haifei Zhang

doi:10.1016/j.engappai.2026.115216

Low carbon vehicle Routing dynamic optimization method integrating multi-source spatiotemporal perception and collaborative evolution

2026-05-25

0

PRE

AI

DOI：10.1016/j.engappai.2026.115216

原文链接

原文求助

摘要

En 中文

在全球“双碳”战略与智能物流背景下，优化车辆路径对提升配送效率及减少运输排放至关重要。然而，现有研究常依赖静态排放因子和单一数据源，导致碳排放估算不准确且动态响应能力较弱。为弥补这些不足，本文提出一种面向同质燃油车队的创新数据驱动优化框架。其核心在于采用时空图卷积网络（ST-GCN）融合多源时空交通数据与车辆远程信息处理（OBD数据），实现深度数据融合，构建基于发动机负荷与加速度校准的动态碳排放模型，显著提升排放感知精度。在此基础上，构建以碳排放量、总行驶时间及时间窗违规最小化为目标的多目标优化模型。为求解该模型，提出一种多源时空协同进化优化算法（MSTCE），通过协同进化机制与扩散修正策略高效搜索帕累托前沿。在扩展Solomon数据集及真实场景实例上的实验表明，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的帕累托前沿中位超体积（HV）达到0.851，碳排放预测均方根误差（RMSE）从12.88降至6.12 kg-CO₂，降幅52.5%，时间窗违规率（TWVR）从13.85%降至8.20%，降幅40.8%。中位间距指标提升22.2%，表明帕累托前沿多样性更优。100客户实例的平均计算时间为285秒，适用于离线规划。本研究为物流企业提供兼顾经济、环境与实时服务目标的精准调度工具，兼具显著的理论与实用价值。

Keyword:

carbon emission optimization

vehicle routing

spatiotemporal data fusion

multi-objective optimization

co-evolutionary algorithm

Low carbon vehicle Routing dynamic optimization method integrating multi-source spatiotemporal perception and collaborative evolution

摘要

期刊

机构

引用论文