論文の概要: Cloud-Based Dynamic Programming for an Electric City Bus Energy Management Considering Real-Time Passenger Load Prediction

• arxiv url: http://arxiv.org/abs/2010.15239v1
• Date: Wed, 28 Oct 2020 21:22:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 06:39:26.647128
• Title: Cloud-Based Dynamic Programming for an Electric City Bus Energy Management Considering Real-Time Passenger Load Prediction
• Title（参考訳）: リアルタイム乗客負荷予測を考慮した都市バスエネルギー管理のためのクラウド型動的プログラミング
• Authors: Junzhe Shi, Bin Xu, Xingyu Zhou, Jun Hou
• Abstract要約: 本研究では, 日中, 日中, 天気, 気温, 風位, ホリデー情報を入力として利用した乗客負荷予測モデルを提案する。 乗客負荷予測を用いたクラウドベースの動的プログラミングおよびルール抽出フレームワークでは,オフピーク時とピーク時のバス運行コストが4%,11%削減されている。
• 参考スコア（独自算出の注目度）: 7.849198627582102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric city bus gains popularity in recent years for its low greenhouse gas emission, low noise level, etc. Different from a passenger car, the weight of a city bus varies significantly with different amounts of onboard passengers, which is not well studied in existing literature. This study proposes a passenger load prediction model using day-of-week, time-of-day, weather, temperatures, wind levels, and holiday information as inputs. The average model, Regression Tree, Gradient Boost Decision Tree, and Neural Networks models are compared in the passenger load prediction. The Gradient Boost Decision Tree model is selected due to its best accuracy and high stability. Given the predicted passenger load, dynamic programming algorithm determines the optimal power demand for supercapacitor and battery by optimizing the battery aging and energy usage in the cloud. Then rule extraction is conducted on dynamic programming results, and the rule is real-time loaded to onboard controllers of vehicles. The proposed cloud-based dynamic programming and rule extraction framework with the passenger load prediction shows 4% and 11% fewer bus operating costs in off-peak and peak hours, respectively. The operating cost by the proposed framework is less than 1% shy of the dynamic programming with the true passenger load information.
• Abstract（参考訳）: 近年は、温室効果ガスの排出が低く、騒音レベルが低いなど、都市バスの人気が高まっている。 乗用車と異なり、市内バスの重量は乗車客の量によって大きく異なり、既存の文献ではよく研究されていない。 本研究は, 平日, 日時, 天気, 気温, 風量, 休日情報を入力として利用する乗客負荷予測モデルを提案する。 乗客負荷予測では,平均モデル,回帰木,勾配ブースト決定木,ニューラルネットワークモデルを比較した。 勾配ブースト決定木モデルはその最適精度と高い安定性のために選択される。 予測された乗客負荷から、動的プログラミングアルゴリズムは、クラウドにおけるバッテリーの老朽化とエネルギー利用を最適化することにより、スーパーキャパシタとバッテリの最適電力需要を決定する。 そして、動的プログラミング結果に基づいてルール抽出を行い、そのルールを車載コントローラにリアルタイムでロードする。 乗客負荷予測を伴うクラウドベースの動的プログラミングとルール抽出フレームワークは、オフピーク時間とピーク時のバス運用コストをそれぞれ4%と11%削減している。 提案するフレームワークによる運用コストは,真の乗客負荷情報を備えた動的プログラミングの1%以下である。

関連論文リスト

• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• VAD: Vectorized Scene Representation for Efficient Autonomous Driving [44.070636456960045]
  VADは、自動運転のためのエンドツーエンドのベクトル化パラダイムである。 VADはベクトル化されたエージェントの動きを利用し、要素を明示的なインスタンスレベルの計画制約としてマップする。 VADは従来のエンドツーエンドの計画手法よりもはるかに高速に動作します。
  論文  参考訳（メタデータ） (2023-03-21T17:59:22Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Assessing Machine Learning Algorithms for Near-Real Time Bus Ridership Prediction During Extreme Weather [0.0]
  本研究は、気象条件の急激な変化に関連して、リアルタイムに近いライダーシップをモデル化し、予測するための一連の機械学習アルゴリズムを採用し、評価する。 本研究は, 気象・気象関係のバス時間変動には, 有意な変動レベルが存在することを確認した。
  論文  参考訳（メタデータ） (2022-04-20T21:39:30Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Deep Reinforcement Learning based Dynamic Optimization of Bus Timetable [4.337939117851783]
  深層強化学習に基づくバス時刻動的最適化法(DRL-TO)を提案する。 DQN(Deep Q-Network)は、サービス期間中にバスサービスをディスパッチするかどうかを決定する決定モデルとして使用される。 DRL-TOは、リアルタイムの乗客フローに基づいて出発間隔を動的に決定し、車両の8$%を節約し、乗客の待ち時間の平均17$%を削減できる。
  論文  参考訳（メタデータ） (2021-07-15T01:22:49Z)
• 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)
• Flight Time Prediction for Fuel Loading Decisions with a Deep Learning Approach [3.285168337194676]
  航空は常に新しい技術を模索し、燃料消費を減らすために飛行を最適化している。 過剰な燃料は、燃料消費の不確実性を扱うために、派遣者や(または)パイロットによってロードされる。 我々は,より優れた飛行時間予測を実現するために,空間重み付きリカレントニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-05-12T11:05:42Z)
• BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
  本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。 特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。 また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
  論文  参考訳（メタデータ） (2020-03-20T17:03:36Z)

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。