論文の概要: CoordiQ : Coordinated Q-learning for Electric Vehicle Charging Recommendation

• arxiv url: http://arxiv.org/abs/2102.00847v1
• Date: Thu, 28 Jan 2021 21:25:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 19:30:13.076839
• Title: CoordiQ : Coordinated Q-learning for Electric Vehicle Charging Recommendation
• Title（参考訳）: CoordiQ : 電気自動車充電レコメンデーションのための協調Qラーニング
• Authors: Carter Blum, Hao Liu, Hui Xiong
• Abstract要約: 電気自動車の利用は急速に増加しているが、充電する駅は必ずしも需要に追いついていない。 我々は,行動の複雑な表現を可能にするモデルを開発し,システム利用者の成果を30%以上改善する。 広く実施されれば、これらのより良いレコメンデーションは、毎年400万時間以上、待ち時間と運転時間を節約できる。
• 参考スコア（独自算出の注目度）: 17.893474989578138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric vehicles have been rapidly increasing in usage, but stations to charge them have not always kept up with demand, so efficient routing of vehicles to stations is critical to operating at maximum efficiency. Deciding which stations to recommend drivers to is a complex problem with a multitude of possible recommendations, volatile usage patterns and temporally extended consequences of recommendations. Reinforcement learning offers a powerful paradigm for solving sequential decision-making problems, but traditional methods may struggle with sample efficiency due to the high number of possible actions. By developing a model that allows complex representations of actions, we improve outcomes for users of our system by over 30% when compared to existing baselines in a simulation. If implemented widely, these better recommendations can globally save over 4 million person-hours of waiting and driving each year.
• Abstract（参考訳）: 電気自動車の利用は急速に増加しているが、充電するステーションは需要に応えてはいないため、効率のよいステーションへの車両のルーティングは、最大効率で運用するには不可欠である。 どの駅にドライバーを推薦するかを決めることは、多くの可能性のある推奨事項、揮発性利用パターン、および時間的に推奨の延長結果を伴う複雑な問題です。 強化学習は、シーケンシャルな意思決定問題を解決するための強力なパラダイムを提供するが、従来の手法は、起こりうるアクションの数が多いため、サンプル効率に苦しむことがある。 動作の複雑な表現を可能にするモデルを開発することにより,シミュレーションにおける既存のベースラインと比較して,システム利用者の成果を30%以上改善する。 広く実装されれば、これらのより良い推奨事項は、毎年400万人以上の待ち時間や運転時間を節約できます。

関連論文リスト

• Federated Reinforcement Learning for Real-Time Electric Vehicle Charging and Discharging Control [42.17503767317918]
  本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。 多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。 シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
  論文  参考訳（メタデータ） (2022-10-04T08:22:46Z)
• 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)
• A Multi-Objective approach to the Electric Vehicle Routing Problem [0.0]
  電気自動車ルーティング問題(EVRP)は、燃料ベースの車からより健康的で効率的な電気自動車(EV)に移行するために、研究者や工業者から大きな関心を集めている。 以前の作業では、ロジスティクスや配送関連のソリューションをターゲットにしており、複数の停止を行った後、同質の商用EVが最初のポイントに戻らなければならない。 我々は、旅行時間と充電の累積コストを最小化する多目的最適化を行う。
  論文  参考訳（メタデータ） (2022-08-26T05:09:59Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• A new Hyper-heuristic based on Adaptive Simulated Annealing and Reinforcement Learning for the Capacitated Electric Vehicle Routing Problem [9.655068751758952]
  都市部では環境汚染と地球温暖化を減らすために電気自動車(EV)が採用されている。 社会と経済の持続可能性に影響を与え続けているラストマイルロジスティクスの軌道をルーティングするのにはまだ不足がある。 本稿では,高ヒューリスティック適応アニーリングと強化学習というハイパーヒューリスティックなアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-07T11:10:38Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply [2.6066825041242367]
  EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。 RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
  論文  参考訳（メタデータ） (2022-04-12T06:13:06Z)
• Value Function is All You Need: A Unified Learning Framework for Ride Hailing Platforms [57.21078336887961]
  DiDi、Uber、Lyftなどの大型配車プラットフォームは、都市内の数万台の車両を1日中数百万の乗車要求に接続している。 両課題に対処するための統合価値に基づく動的学習フレームワーク(V1D3)を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:22:24Z)
• Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning [42.31586065609373]
  電気自動車(ev)はその環境とエネルギーの持続可能性のために現代の交通システムで選択されている。 多くの都市では、限られた充電インフラとほとんどバランスの取れない充電需要のために、EVドライバーは充電に適した場所を見つけることができません。 公共充電ステーションをインテリジェントに推奨する,マルチエージェント時空間時空間学習(MasterReinforce)というフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-15T06:23:59Z)
• Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case Study in New York Manhattan Island [14.501650948647324]
  従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した 艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。 また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
  論文  参考訳（メタデータ） (2020-09-06T16:00:15Z)

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。