論文の概要: Idle Vehicle Relocation Strategy through Deep Learning for Shared
Autonomous Electric Vehicle System Optimization
- arxiv url: http://arxiv.org/abs/2010.09847v1
- Date: Fri, 16 Oct 2020 05:06:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 21:41:51.554466
- Title: Idle Vehicle Relocation Strategy through Deep Learning for Shared
Autonomous Electric Vehicle System Optimization
- Title（参考訳）: 共有電気自動車システム最適化のためのディープラーニングによるアイドル車移動戦略
- Authors: Seongsin Kim, Ungki Lee, Ikjin Lee, Namwoo Kang
- Abstract要約: 本研究では、アイドル車配置問題に対する最適解を瞬時に予測できるディープラーニングに基づくアルゴリズムを提案する。
本稿では,SAEV車両と充電ステーションの設計を含む最適サービスシステムを提案する。
- 参考スコア（独自算出の注目度）: 2.580765958706854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In optimization of a shared autonomous electric vehicle (SAEV) system, idle
vehicle relocation strategies are important to reduce operation costs and
customers' wait time. However, for an on-demand service, continuous
optimization for idle vehicle relocation is computationally expensive, and
thus, not effective. This study proposes a deep learning-based algorithm that
can instantly predict the optimal solution to idle vehicle relocation problems
under various traffic conditions. The proposed relocation process comprises
three steps. First, a deep learning-based passenger demand prediction model
using taxi big data is built. Second, idle vehicle relocation problems are
solved based on predicted demands, and optimal solution data are collected.
Finally, a deep learning model using the optimal solution data is built to
estimate the optimal strategy without solving relocation. In addition, the
proposed idle vehicle relocation model is validated by applying it to optimize
the SAEV system. We present an optimal service system including the design of
SAEV vehicles and charging stations. Further, we demonstrate that the proposed
strategy can drastically reduce operation costs and wait times for on-demand
services.
- Abstract（参考訳）: 共有自律型電気自動車(saev)システムの最適化において,運転コストと待ち時間を削減するためには,アイドル車両の移動戦略が重要である。
しかし、オンデマンドサービスでは、アイドル車両のリロケーションの継続的な最適化は計算コストが高く、効果的ではない。
本研究では,様々な交通条件下でのアイドル車両移動問題に対する最適解を瞬時に予測できる深層学習に基づくアルゴリズムを提案する。
提案手法は3段階からなる。
まず,タクシービッグデータを用いた深層学習に基づく乗客需要予測モデルを構築した。
次に、予測要求に基づいてアイドル車両の移動問題を解き、最適解データを収集する。
最後に、最適解データを用いたディープラーニングモデルを構築し、再配置を解決することなく最適な戦略を推定する。
さらに,SAEVシステムの最適化に応用して,アイドル車配置モデルの有効性を検証した。
本稿では,SAEV車両と充電ステーションの設計を含む最適サービスシステムを提案する。
さらに,提案手法は,オンデマンドサービスの運用コストと待ち時間を劇的に削減できることを示す。
関連論文リスト
- Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-16T23:13:51Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Resource Constrained Vehicular Edge Federated Learning with Highly
Mobile Connected Vehicles [41.02566275644629]
本稿では,中央処理ユニット(CPU)およびローカルデータセット上で,エッジサーバが高度に移動可能なコネクテッドカー(CV)を利用してグローバルモデルをトレーニングする,VEFL(vehicular edge federated learning)ソリューションを提案する。
我々は, 遅延, エネルギー, コスト制約下での無線アクセス技術 (RAT) のパラメータ最適化問題を, 局所的に訓練されたモデルの受信を成功させる確率を最大化するために考案した。
論文 参考訳（メタデータ） (2022-10-27T14:33:06Z) - Improving Operational Efficiency In EV Ridepooling Fleets By Predictive
Exploitation of Idle Times [0.0]
Idle Time Exploitation (ITX) と呼ばれる1つのオペレーターによる配車サービスのリアルタイム予測充電方式を提案する。
ITXは、車両がアイドル状態にある期間を予測し、これらの期間を利用してエネルギーを収穫する。
グラフ畳み込みネットワーク(Graph Convolutional Networks)と線形代入アルゴリズムを用いて、車両と充電ステーションの最適なペアを考案する。
論文 参考訳（メタデータ） (2022-08-30T08:41:40Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Route Optimization via Environment-Aware Deep Network and Reinforcement
Learning [7.063811319445716]
車両サービス提供者(タクシー運転手など)の収益性を最大化するモバイルシーケンシャルレコメンデーションシステムを開発する。
顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。
新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
論文 参考訳（メタデータ） (2021-11-16T02:19:13Z) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in
Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。
提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
論文 参考訳（メタデータ） (2021-05-25T03:41:29Z) - A Distributed Model-Free Ride-Sharing Approach for Joint Matching,
Pricing, and Dispatching using Deep Reinforcement Learning [32.0512015286512]
我々は、動的で需要に敏感で、価格に基づく車両通行者マッチングとルート計画フレームワークを提案する。
我々の枠組みはニューヨーク市税のデータセットを用いて検証されている。
実験の結果,実時間および大規模設定におけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2020-10-05T03:13:47Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z) - 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。