DCRNN预测式改道在SUMO中把平均行程时间指数较无改道基准降低约1.8%，且仅接受41次改道
核心概要
该研究提出一个将扩散卷积循环神经网络（DCRNN）交通与充电需求预测同CAV改道策略相结合的框架，在SUMO中针对受控交通中断、5%至45%五个CAV渗透率水平进行评估；DCRNN在主动改道方法中取得最低平均行程时间指数、最高平均速度和最低总CO2排放，相对无改道基准降低平均TTI约1.8%，并在全部渗透率下仅接受41次改道，而K最短路径为146次、V2X为153次。
Figure 1 : Average TTI across CAV penetration levels with the no-reroute reference.
arXiv深度剖析
该框架把有向图上的交通预测与充电需求预测同微观仿真中的CAV改道整合起来，用预测的拥堵、CO2、路径长度和充电需求暴露度对可行备选路径打分。 既有工作分别研究图神经网络交通预测、多目标生态路径和EV充电调度，本文把预测的边级条件直接接入逐车的改道接受判定。 在SUMO的NYC-6网络（638条边、254个路口）上，以5%、15%、25%、35%、45%五个CAV渗透率、匹配的需求与中断时刻表进行确定性单次运行；DCRNN采用扩散阶2、隐藏维度64、80/20时间顺序划分训练。
改道只在备选路径保持到原目的地连通性、并通过冷却时间、改道次数上限、重复路径与可行性检查时才被接受，因此干预是选择性的而非高频的。 与K最短路径和V2X主动改道相比，DCRNN在全部渗透率下仅接受41次改道，而两者分别为146次和153次。 表II汇总五个渗透率场景：DCRNN平均TTI 3.520、平均速度27.618 km/h、总CO2 770.928 kg，均为主动方法中最优；预测密度法仅5次改道但平均TTI 3.591、CO2 781.528 kg最差。
相对无改道基准，DCRNN把平均TTI降低约1.8%，但无改道基准仍保持更低的总CO2排放和总行驶距离。 这一分离说明改道在缓解拥堵严重程度与增加行驶距离、排放之间存在权衡，而非在所有指标上占优。 1.8%由场景平均TTI计算；无改道基准距离最低，V2X在主动方法中距离最低，DCRNN接近V2X且改道次数少得多。
被接受改道的内部记录显示其与路由评分目标一致：累计TTI目标下降403.675、CO2目标下降113275.495、EV充电风险暴露下降10.219、路径长度下降1387.290 m。 这些记录用于解释策略为何接受特定改道，而非作为网络状态的独立反事实测量。 表III按渗透率列出41次改道；15%至45%各接受8次而目标下降显著增大，5%接受9次但总目标下降较小，因两辆车获得重复接受更新。
启示与展望
该结果面向混合交通中受控中断条件下的城市路网，适用于具备边级交通与充电需求观测、且能对部分CAV施加路径决策的仿真或运营环境。它使研究者可以在微观仿真中检验预测信息如何支持少量高价值改道，而不是把可控车辆数直接转化为改道次数。作者指出后续将扩展到更大网络、重复的需求与中断实现，并加入显式充电排队与站点可用性以评估改道对充电服务的影响。
结果为每个案例与方法的确定性单次运行，未报告随机种子置信区间，因此渗透率间的差异幅度需谨慎解读。EV电池输出被保留为诊断聚合量，因为部分SUMO电池字段可能随时间累积，故能量效率结论未以其为主要证据。表III的评分下降是决策时的路径评分证据，不是网络状态的独立反事实测量。预测质量与路由策略质量尚未通过匹配候选路径集在不同预测来源下的重放加以分离，充电排队与站点可用性也未显式建模。