Energy consumption estimation in last-mile electric vehicle routing with multi-factor modeling (2025)
- Authors:
- Autor USP: DUARTE, ALEXANDRE - EP
- Unidade: EP
- Sigla do Departamento: PTR
- Subjects: APRENDIZADO COMPUTACIONAL; LOGÍSTICA; OTIMIZAÇÃO MATEMÁTICA; ROTEIRIZAÇÃO; VEÍCULOS ELÉTRICOS
- Agências de fomento:
- Language: Inglês
- Abstract: Esta pesquisa busca avaliar o impacto dos componentes e da dinâmica do veículo, das condições de condução e do ambiente no cálculo da energia consumida nos arcos da rota nas soluções obtidas para um problema de roteamento de veículos elétricos capacitados (EVRPC) para entregas last-mile. Para isso, um modelo matemático foi proposto para o problema, e a soluções foram obtidas por meio do solver Gurobi. A energia consumida pode ser estimada simplificadamente de forma linear, sendo constante em função da distância percorrida. Por outro lado, uma abordagem intermediária pode estimar a energia em função da distância percorrida em múltiplos trechos de rota, sendo uma função linear por partes. Finalmente, um método mais completo considera o impacto de diversas variáveis no consumo, tornando o cálculo da energia consumida não linear. O modelo de estimação de gasto energético proposto considera aspectos de comportamento do motorista (perfis de velocidade, aceleração e frenagem), topografia (greide das vias), peso transportado pelo veículo, utilização de sistemas de consumo auxiliares e funcionamento do sistema de frenagem regenerativo. O cálculo da energia consumida foi ajustado por um modelo de machine learning que foi treinado utilizando dados reais de consumo, tornando as previsões ainda mais precisas. A proposta visa contribuir para reduzir a escassez de metodologias integradas de estimação de consumo energético com modelos de roteamento de BEVs para entregas last-mile. Os resultados mostram que o modelo matemático proposto otimiza significativamente a utilização média dos BEV sem comparação como cenário base, reduzindo o tamanho da frota necessária para atendimento total da demanda. As rotas planejadas foram otimizadas, reduzindo tanto a distância total percorrida quanto o consumo total deenergia. Ao comparar os cenários propostos, os resultados indicam soluções semelhantes, sugerindo que parâmetros macroscópicos calibrados podem ser uma boa aproximação para prever o consumo energético dos BEVs. No entanto, o modelo híbrido de ML, apesar de mais complexo e com maior custo computacional, apresenta melhor capacidade de extrapolação para outros cenários. Além disso, as rotas planejadas mostraram menor variabilidade no consumo, sugerindo que metodologias mais sofisticadas podem aumentar a confiabilidade das previsões e melhorar as operações de entrega. A consideração de parâmetros de dinâmica veicular e uma estimativa não linear do consumo energético impactam significativamente os resultados do problema de roteamento. Substituir um único parâmetro linear por um consumo variável — considerando velocidade, aceleração, frenagem, topografia, carga transportada, uso de sistemas auxiliares e temperatura — permite estratégias de entrega mais eficientes, maior conservação da bateria e redução do desgaste. A pesquisa também explora o equilíbrio entre complexidade computacional e precisão na previsão do consumo de energia. O modelo híbrido de ML mostrou melhor desempenho ao integrar aspectos físicos e variáveis operacionais específicas. Contudo, o cenário baseado em parâmetros macroscópicos, quando calibrado para contextos específicos, também oferece boas previsões com menor custo computacional.
- Imprenta:
- Data da defesa: 13.02.2025
-
ABNT
DUARTE, Alexandre. Energy consumption estimation in last-mile electric vehicle routing with multi-factor modeling. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/3/3148/tde-21072025-074322/. Acesso em: 01 abr. 2026. -
APA
Duarte, A. (2025). Energy consumption estimation in last-mile electric vehicle routing with multi-factor modeling (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/3/3148/tde-21072025-074322/ -
NLM
Duarte A. Energy consumption estimation in last-mile electric vehicle routing with multi-factor modeling [Internet]. 2025 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/3/3148/tde-21072025-074322/ -
Vancouver
Duarte A. Energy consumption estimation in last-mile electric vehicle routing with multi-factor modeling [Internet]. 2025 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/3/3148/tde-21072025-074322/ - Modelo de previsão de demanda para suprimentos de ajuda humanitária no estado de São Paulo
- Estrutura para localização de depósitos de suprimentos de ajuda humanitária
- A new computational algorithm for assessing overdispersion and zero-inflation in machine learning count models with Python
- Deterministic and stochastic machine learning classification models: a comparative study applied to companies’ capital structures
- Heurística de busca local para uso em sistemas de suporte a decisão: aplicação no problema de roteirização de veículos capacitados em duas camadas
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
