論文の概要: A Reinforcement Learning Approach for Rebalancing Electric Vehicle Sharing Systems

• arxiv url: http://arxiv.org/abs/2010.02369v2
• Date: Tue, 6 Apr 2021 14:14:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 19:36:19.864952
• Title: A Reinforcement Learning Approach for Rebalancing Electric Vehicle Sharing Systems
• Title（参考訳）: 電気自動車シェアリングシステムのための強化学習アプローチ
• Authors: Aigerim Bogyrbayeva, Sungwook Jang, Ankit Shah, Young Jae Jang, Changhyun Kwon
• Abstract要約: 本稿では,フリーフローティング電気自動車共有システム(FFEVSS)における夜間オフラインリバランス運用のための強化学習手法を提案する。 ネットワークの需要が少なかったため、FFEVSSは充電ステーションや需要ノードに電気自動車(EV)を移動させる必要があり、通常はドライバーのグループによって行われる。 本稿では,複数のシャトル車両の経路方針を中央制御器が決定する問題に対する強化学習の枠組みを検討する。
• 参考スコア（独自算出の注目度）: 3.0553868534759725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a reinforcement learning approach for nightly offline rebalancing operations in free-floating electric vehicle sharing systems (FFEVSS). Due to sparse demand in a network, FFEVSS require relocation of electrical vehicles (EVs) to charging stations and demander nodes, which is typically done by a group of drivers. A shuttle is used to pick up and drop off drivers throughout the network. The objective of this study is to solve the shuttle routing problem to finish the rebalancing work in the minimal time. We consider a reinforcement learning framework for the problem, in which a central controller determines the routing policies of a fleet of multiple shuttles. We deploy a policy gradient method for training recurrent neural networks and compare the obtained policy results with heuristic solutions. Our numerical studies show that unlike the existing solutions in the literature, the proposed methods allow to solve the general version of the problem with no restrictions on the urban EV network structure and charging requirements of EVs. Moreover, the learned policies offer a wide range of flexibility resulting in a significant reduction in the time needed to rebalance the network.
• Abstract（参考訳）: 本稿では,フリーフローティング電気自動車共有システム(FFEVSS)における夜間オフラインリバランス運用のための強化学習手法を提案する。 ネットワークの需要が少なかったため、FFEVSSは充電ステーションや需要ノードに電気自動車(EV)を移動させる必要があり、通常はドライバーのグループによって行われる。 シャトルは、ネットワーク全体のドライバーのピックアップおよびドロップオフに使用される。 本研究の目的は,シャトル経路問題を解くことで,最小限の時間で再バランス作業を終えることである。 本稿では,複数のシャトル車両の経路方針を中央制御器が決定する問題に対する強化学習の枠組みを検討する。 我々は,リカレントニューラルネットワークの学習のためのポリシー勾配法を展開し,得られたポリシー結果をヒューリスティック解と比較する。 提案手法は,文献の既存解とは異なり,都市evネットワーク構造や電気自動車の充電要件に制約を課さずに一般版の問題を解決することができることを示す。 さらに、学習されたポリシーは幅広い柔軟性を提供し、ネットワークの再バランスに必要な時間を大幅に削減する。

関連論文リスト

• Learning to Control Autonomous Fleets from Observation via Offline Reinforcement Learning [3.9121134770873733]
  オフライン強化学習のレンズによる自律移動システム制御の形式化を提案する。 オフラインRLは、経済的にクリティカルなシステムにおいて、RLベースのソリューションを適用する上で有望なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2023-02-28T18:31:07Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
  本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。 私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
  論文  参考訳（メタデータ） (2021-11-11T11:31:20Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• A Modular and Transferable Reinforcement Learning Framework for the Fleet Rebalancing Problem [2.299872239734834]
  モデルフリー強化学習(RL)に基づく艦隊再バランスのためのモジュラーフレームワークを提案する。 動作領域のグリッド上の分布としてRL状態とアクション空間を定式化し,フレームワークをスケーラブルにする。 実世界の旅行データとネットワークデータを用いた数値実験は、このアプローチがベースライン法よりもいくつかの異なる利点があることを実証している。
  論文  参考訳（メタデータ） (2021-05-27T16:32:28Z)
• Deep Reinforcement Learning for Electric Vehicle Routing Problem with Time Windows [2.1399409016552347]
  EVRPTWを解くために,エンドツーエンドの深層強化学習フレームワークを提案する。 特に,ポインタネットワークとグラフ埋め込みを取り入れたアテンションモデルを構築し,EVRPTWの解法をパラメータ化する。 本研究では,既存の手法では解けない大規模のEVRPTWインスタンスを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-10-05T15:06:02Z)
• Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions [30.606518785629046]
  高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。 本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。 提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
  論文  参考訳（メタデータ） (2020-08-14T11:48:13Z)
• Consensus Multi-Agent Reinforcement Learning for Volt-VAR Control in Power Distribution Networks [8.472603460083375]
  VVC問題を解くために,コンセンサス多エージェント深部強化学習アルゴリズムを提案する。 提案アルゴリズムでは,各エージェントが局所報酬を用いてグループ制御ポリシーを学習することができる。 IEEE分散テストフィードの数値的研究により,提案アルゴリズムは単エージェント強化学習ベンチマークの性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2020-07-06T18:21:47Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。