論文の概要: Improving Operational Efficiency In EV Ridepooling Fleets By Predictive Exploitation of Idle Times

• arxiv url: http://arxiv.org/abs/2208.14852v1
• Date: Tue, 30 Aug 2022 08:41:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:17:13.414659
• Title: Improving Operational Efficiency In EV Ridepooling Fleets By Predictive Exploitation of Idle Times
• Title（参考訳）: アイドルタイムの予測利用によるev乗用車の運転効率の向上
• Authors: Jesper C. Provoost, Andreas Kamilaris, Gy\"oz\"o Gid\'ofalvi, Geert J. Heijenk, and Luc J.J. Wismans
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In ridepooling systems with electric fleets, charging is a complex decision-making process. Most electric vehicle (EV) taxi services require drivers to make egoistic decisions, leading to decentralized ad-hoc charging strategies. The current state of the mobility system is often lacking or not shared between vehicles, making it impossible to make a system-optimal decision. Most existing approaches do not combine time, location and duration into a comprehensive control algorithm or are unsuitable for real-time operation. We therefore present a real-time predictive charging method for ridepooling services with a single operator, called Idle Time Exploitation (ITX), which predicts the periods where vehicles are idle and exploits these periods to harvest energy. It relies on Graph Convolutional Networks and a linear assignment algorithm to devise an optimal pairing of vehicles and charging stations, in pursuance of maximizing the exploited idle time. We evaluated our approach through extensive simulation studies on real-world datasets from New York City. The results demonstrate that ITX outperforms all baseline methods by at least 5% (equivalent to $70,000 for a 6,000 vehicle operation) per week in terms of a monetary reward function which was modeled to replicate the profitability of a real-world ridepooling system. Moreover, ITX can reduce delays by at least 4.68% in comparison with baseline methods and generally increase passenger comfort by facilitating a better spread of customers across the fleet. Our results also demonstrate that ITX enables vehicles to harvest energy during the day, stabilizing battery levels and increasing resilience to unexpected surges in demand. Lastly, compared to the best-performing baseline strategy, peak loads are reduced by 17.39% which benefits grid operators and paves the way for more sustainable use of the electrical grid.
• Abstract（参考訳）: 電気自動車による配車システムでは、充電は複雑な意思決定プロセスである。 ほとんどの電気自動車(EV)タクシーサービスでは、ドライバーがエゴスティックな判断をしなければなりません。 モビリティシステムの現在の状態は、しばしば車両間で共有されていないか共有されていないため、システム最適化の決定が不可能である。 既存のアプローチのほとんどは、時間、場所、期間を包括的な制御アルゴリズムに組み合わせたり、リアルタイム操作には適さない。 そこで本研究では,アイドルタイムエクスプロイトレーション(itx)と呼ばれる,車両がアイドル状態にある期間を予測し,その期間をエネルギーの収穫に活用した,相乗りサービスに対するリアルタイム予測充電手法を提案する。 グラフ畳み込みネットワークと線形割当てアルゴリズムに依存し、悪用されたアイドル時間を最大化することで、車両と充電ステーションの最適なペアリングを考案する。 ニューヨーク市における実世界のデータセットに関する広範なシミュレーション研究を通じて,我々のアプローチを評価した。 その結果,itxは,実世界の相乗りシステムの収益性を再現するためにモデル化された金銭報酬関数を用いて,週に最低で5%(6000台の車両運用で7万ドル相当)のベースラインメソッドを上回った。 さらに、itxは、ベースライン方式と比較して、少なくとも4.68%の遅延を削減でき、一般的には、乗客の快適性を高める。 我々の結果は、ITXが日中エネルギーを回収し、バッテリーのレベルを安定させ、予期せぬ需要の急増に対するレジリエンスを高めることを実証している。 最後に、最高性能のベースライン戦略と比較すると、ピーク負荷は17.39%減少し、グリッドオペレーターに恩恵を与え、より持続可能な電力網の使用を可能にする。

関連論文リスト

• Traffic Smoothing Controllers for Autonomous Vehicles Using Deep Reinforcement Learning and Real-World Trajectory Data [45.13152172664334]
  我々は、自動運転車に展開できる交通平滑なクルーズコントローラーを設計する。 我々はテネシー州のI-24ハイウェイの実際の軌跡データを活用している。 その結果、低4%の自律走行車侵入速度で、多くの停止・停止波を示す軌道上で15%以上の燃料を節約できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T00:50:41Z)
• Embedding Synthetic Off-Policy Experience for Autonomous Driving via Zero-Shot Curricula [48.58973705935691]
  我々は、データの10%サブセットのみを使用してトレーニングされたエージェントが、データセット全体に対してトレーニングされたエージェントと同様に動作することを示す。 次に、この難易度スコアをゼロショット転送に使用して、模倣学習に基づく計画エージェントのカリキュラムを生成することを実証する。
  論文  参考訳（メタデータ） (2022-12-02T18:57:21Z)
• 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)
• 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)
• 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)
• Risk Adversarial Learning System for Connected and Autonomous Vehicle Charging [43.42105971560163]
  我々は、コネクテッドかつ自律的な自動車充電インフラ(CAV-CI)のための合理的意思決定支援システム(RDSS)の設計について検討する。 検討されたCAV-CIでは、配電系統オペレーター(DSO)が電気自動車供給装置(EVSE)を配備し、人間駆動のコネクテッドカー(CV)と自動運転車(AV)のためのEV充電設備を提供する。 人力EVによる充電要求は、実際の需要よりもエネルギーと充電時間を必要とすると不合理になる。 我々は,CAV-CIが解決する新たなリスク対向型マルチエージェント学習システム(ALS)を提案する。
  論文  参考訳（メタデータ） (2021-08-02T02:38:15Z)
• 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)
• CoordiQ : Coordinated Q-learning for Electric Vehicle Charging Recommendation [17.893474989578138]
  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。
  論文  参考訳（メタデータ） (2021-01-28T21:25:33Z)
• Idle Vehicle Relocation Strategy through Deep Learning for Shared Autonomous Electric Vehicle System Optimization [2.580765958706854]
  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。
  論文  参考訳（メタデータ） (2020-10-16T05:06:58Z)
• 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。