[Paper] SynthCharge：一种用于电动汽车路径规划的实例生成器，具备可行性筛选，以实现基于学习的优化和基准测试

Source: arXiv - 2603.03230v1

概述

本文介绍了 SynthCharge，这是一款全新的开源生成器，用于创建包含时间窗、电池限制和充电站决策的真实电动汽车路径问题（EVRP）实例。通过自动筛除不可行的情况，SynthCharge 为研究人员和工程师提供了一个可靠且可扩展的基准套件，用于训练和测试基于学习的路径规划算法。

关键贡献

• 参数实例生成器，能够合成包含 5 至 500 名客户的 EVRPTW 问题，覆盖广泛的空间布局和需求模式。
• 可行性筛选管线，快速剔除不可解实例，确保每个发布的基准在现实的车辆和充电器约束下可解。
• 自适应能量容量缩放，将车辆电池容量与客户的地理分布关联，确保各实例难度平衡。
• 考虑续航的充电站布局，自动在最需要的地方放置充电站，模拟真实的基础设施规划。
• 基准测试框架，针对数据驱动和神经路由方法量身定制，实现跨不同问题规模的可重复性能比较。

方法论

SynthCharge 在三个阶段构建每个实例：

1. 几何生成 – 在可配置区域（例如城市网格或更大的都市区）内随机抽取客户位置，并分配时间窗口区间和服务需求。
2. 能量模型校准 – 根据任意两位客户之间的最大欧氏距离计算基准电池容量，然后上下调以创建容易、中等或困难的实例。
3. 充电站插入与可行性检查 – 使用倾向于高流量区域的启发式方法放置一组候选充电站。对每个候选进行快速确定性可行性测试（基于带能量约束的简化最短路径），仅保留通过测试的实例。

整个流水线可通过 JSON/YAML 配置完全参数化，允许用户复现精确数据集或探索新的“假设”情景（例如更密集的充电网络、更紧的时间窗口）。

Results & Findings

• 可扩展性 – SynthCharge 成功生成了 1,200 个独特实例，客户数量从 5 到 500 不等；可行性过滤器剔除了不足 7 % 的生成案例，验证了筛选步骤的高效性。
• 多样性 – 统计分析显示数据集中路径长度、 电池利用率 和 充电站访问次数分布均衡，避免了对狭窄问题类别的过拟合。
• 基准实用性 – 在使用最先进的神经组合优化器（图注意力模型）进行测试时，使用静态基准进行训练与使用 SynthCharge 生成数据进行训练之间的性能差距扩大至最高 15 %，凸显了多样且可行实例对稳健学习的重要性。
• 运行时间 – 对 100 客户实例的完整生成与筛选过程在普通笔记本电脑上平均耗时 0.8 秒，使得在研究迭代中实时创建数据集成为可能。

实际意义

• 加速模型开发 – 开发者现在可以在几乎无限的真实 EVRPTW 场景上训练强化学习或监督学习的路径规划代理，从而降低对过时基准的过拟合风险。
• 基础设施规划工具 – 设计充电网络的公司可以使用 SynthCharge 模拟不同充电站布局对车队运营性的影响，进而在投入昂贵的现场试验之前进行评估。
• 车队管理软件 – 将 SynthCharge 集成到路径规划引擎中，可实现动态场景测试（例如，“如果我们增加 20 % 的车辆会怎样？”），从而评估在需求波动下的运营韧性。
• 标准化评估 – 行业联盟可以将 SynthCharge 作为共同的基准，确保各厂商关于“最先进”路径规划算法的声明具有可比性。

限制与未来工作

• 简化的能耗模型 – 当前的生成器假设距离与电池消耗之间存在线性关系，忽略了有效载荷重量、海拔或交通拥堵等因素。
• 静态充电器容量 – 所有生成的站点拥有相同的充电速率；未来版本可以建模异构的充电速度以及排队效应。
• 地理真实性 – 虽然生成器能够模拟城市尺度的布局，但尚未纳入道路网络约束（例如单行道、转弯限制）。
• 超过 500 位客户的可扩展性 – 初步测试表明可行性过滤仍然快速，但在真正的大规模车队（数千个停靠点）上的完整基准测试仍需后续工作。

作者计划通过更丰富的基于物理的能耗模型、多模式运输选项以及面向社区的开放 API，来扩展 SynthCharge，以便社区贡献情景。

作者

• Mertcan Daysalilar
• Fuat Uyguroglu
• Gabriel Nicolosi
• Adam Meyers

论文信息

• arXiv ID: 2603.03230v1
• 分类: cs.LG, cs.AI
• 出版日期: 2026年3月3日
• PDF: Download PDF