Transformer-based Graph Neural Networks for Battery Range Prediction in AIoT Battery-Swap Services

在共享经济的概念下，共享电动自行车电池（SEB）已成为社会关注的焦点。尽管很受欢迎，但用户对SEB剩余电池续航里程的期望与现实存在显著差异，导致用户在紧急情况下往往难以找到可用的SEB。为了应对这一挑战，物联网人工智能（AIoT）和换电服务的整合已成为一种可行的解决方案。本文提出了一种新的基于Transformer的结构模型，称为SEB-Transformer，专门用于预测SEB的电池续航里程。场景被构想为一个动态的异构图，封装了用户和自行车之间的交互，提供了一个全面的分析框架。此外，我们将图结构与SEB-Transformer相结合，以促进对剩余电动自行车电池续航里程的估计，同时考虑平均结构相似性，增强了预测准确性。通过使用我们的模型所做出的预测，我们能够实时动态调整最佳的骑行路线，同时考虑充电站的战略位置，从而优化用户体验。实证结果表明，我们的模型在真实世界数据集上比九个竞争基线模型更为优越。这些由AIoT驱动的创新不仅弥合了用户期望与电池续航里程物理限制之间的差距，而且显著提高了SEB服务的运营效率和可持续性。通过这些进步，共享电动自行车生态系统正在发展，迈向更可靠、用户友好和可持续的交通方式。

解决问题：论文试图解决电动共享单车电池续航问题，提高用户体验和服务效率。

关键思路：论文提出了一种基于Transformer的SEB-Transformer模型，以动态异构图为基础，结合均值结构相似度，实现电池剩余续航里程的准确预测，并动态调整最佳骑行路线。

其他亮点：论文实验结果表明该模型优于其他九个基线模型，提高了电动共享单车服务的可靠性、用户友好性和可持续性。数据集和代码已开源。

相关研究：近期相关研究包括基于深度学习的电动共享单车用户行为预测、基于强化学习的电动共享单车运营优化等。