論文の概要: Understanding and Shifting Preferences for Battery Electric Vehicles
- arxiv url: http://arxiv.org/abs/2202.08963v1
- Date: Wed, 9 Feb 2022 00:37:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:38:50.057602
- Title: Understanding and Shifting Preferences for Battery Electric Vehicles
- Title(参考訳): バッテリー電気自動車の嗜好の理解と変遷
- Authors: Nikos Arechiga, Francine Chen, Rumen Iliev, Emily Sumner, Scott
Carter, Alex Filipowicz, Nayeli Bravo, Monica Van, Kate Glazko, Kalani
Murakami, Laurent Denoue, Candice Hogan, Katharine Sieck, Charlene Wu, Kent
Lyons
- Abstract要約: 我々は、個人統計に基づく介入のパーソナライズ方法に注目し、バッテリー電気自動車(BEV)に対して消費者の嗜好をより肯定的にシフトさせる。
そこで本稿では,バリアやモチベータなど,BEV導入に影響を与えるパーソナライズされた要因を特定することを提案する。
本稿では,これらの要因を予測し,最も頻繁な要因を常に予測するよりも性能がよいことを示す。
- 参考スコア(独自算出の注目度): 4.569915979977171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying personalized interventions for an individual is an important
task. Recent work has shown that interventions that do not consider the
demographic background of individual consumers can, in fact, produce the
reverse effect, strengthening opposition to electric vehicles. In this work, we
focus on methods for personalizing interventions based on an individual's
demographics to shift the preferences of consumers to be more positive towards
Battery Electric Vehicles (BEVs). One of the constraints in building models to
suggest interventions for shifting preferences is that each intervention can
influence the effectiveness of later interventions. This, in turn, requires
many subjects to evaluate effectiveness of each possible intervention. To
address this, we propose to identify personalized factors influencing BEV
adoption, such as barriers and motivators. We present a method for predicting
these factors and show that the performance is better than always predicting
the most frequent factors. We then present a Reinforcement Learning (RL) model
that learns the most effective interventions, and compare the number of
subjects required for each approach.
- Abstract(参考訳): 個人に対するパーソナライズされた介入を特定することは重要なタスクです。
近年の研究では、個々の消費者の人口統計学的背景を考慮しない介入は、実際には、電気自動車に対する反対を強める逆効果を生み出すことが示されている。
本研究では,個人の人口統計に基づく介入を個人化する方法に着目し,消費者の嗜好をバッテリー電気自動車(bev)にシフトさせる。
好みを変えるための介入を提案するモデルを構築する際の制約の1つは、それぞれの介入が後の介入の有効性に影響を与えることである。
これに対し、多くの被験者はそれぞれの介入の有効性を評価する必要がある。
そこで本稿では,バリアやモチベータなど,BEV導入に影響を与えるパーソナライズされた要因を特定することを提案する。
本稿では,これらの要因を予測し,最も頻繁な要因を常に予測するよりも性能がよいことを示す。
次に、最も効果的な介入を学習し、各アプローチに必要な科目数を比較する強化学習(RL)モデルを提案する。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a
Computational Approach [63.67533153887132]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳(メタデータ) (2023-11-16T07:22:56Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳(メタデータ) (2023-01-28T20:14:11Z) - 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) - Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards
Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。
正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。
人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
論文 参考訳(メタデータ) (2022-01-27T22:15:56Z) - Variational Auto-Encoder Architectures that Excel at Causal Inference [26.731576721694648]
観測データから因果効果を推定することは、多くの種類の決定を下す上で重要である。
この課題に対処する1つのアプローチは、データの基礎となる要素の分解された表現を学習することである。
本稿では,変分オートエンコーダの最近の進歩を基盤とした生成的アプローチを提案する。
論文 参考訳(メタデータ) (2021-11-11T22:37:43Z) - Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。
以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。
メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
論文 参考訳(メタデータ) (2021-07-20T15:01:49Z) - Prediction by Anticipation: An Action-Conditional Prediction Method
based on Interaction Learning [23.321627835039934]
潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。
このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。
提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
論文 参考訳(メタデータ) (2020-12-25T01:39:26Z) - Power Constrained Bandits [46.44025793243983]
既存のアルゴリズムを改良する汎用メタアルゴリズムを開発した。
我々のメタアルゴリズムは、統計的研究に現れる可能性のある様々なモデルの誤特定に対して堅牢である。
論文 参考訳(メタデータ) (2020-04-13T23:08:52Z)
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。