論文の概要: Coupling User Preference with External Rewards to Enable Driver-centered and Resource-aware EV Charging Recommendation

• arxiv url: http://arxiv.org/abs/2210.12693v1
• Date: Sun, 23 Oct 2022 10:52:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 15:15:56.150769
• Title: Coupling User Preference with External Rewards to Enable Driver-centered and Resource-aware EV Charging Recommendation
• Title（参考訳）: ドライバ中心およびリソース対応EV充電勧告を可能にする外部報酬によるユーザ嗜好の結合
• Authors: Chengyin Li, Zheng Dong, Nathan Fisher, and Dongxiao Zhu
• Abstract要約: 電気自動車(EV)は、利用者の好みに適応し、常に変化する外部環境に適応すると共に、プライベートなEVドライバーのレンジ不安を軽減するためのコスト効率のよい戦略として出現する。 本稿では,各EVドライバがユーザの好みと外部報酬との間に最適なバランスをとることができるような,新しいRAC(Regularized Actor-temporal)充電推奨手法を提案する。 2つの実世界のデータセットに対する実験結果は、競合する手法に対する我々のアプローチのユニークな特徴と優れた性能を示す。
• 参考スコア（独自算出の注目度）: 9.009978844120514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric Vehicle (EV) charging recommendation that both accommodates user preference and adapts to the ever-changing external environment arises as a cost-effective strategy to alleviate the range anxiety of private EV drivers. Previous studies focus on centralized strategies to achieve optimized resource allocation, particularly useful for privacy-indifferent taxi fleets and fixed-route public transits. However, private EV driver seeks a more personalized and resource-aware charging recommendation that is tailor-made to accommodate the user preference (when and where to charge) yet sufficiently adaptive to the spatiotemporal mismatch between charging supply and demand. Here we propose a novel Regularized Actor-Critic (RAC) charging recommendation approach that would allow each EV driver to strike an optimal balance between the user preference (historical charging pattern) and the external reward (driving distance and wait time). Experimental results on two real-world datasets demonstrate the unique features and superior performance of our approach to the competing methods.
• Abstract（参考訳）: 電気自動車(ev) ユーザーの好みに適合し、変化し続ける外部環境に適応する充電の推奨は、プライベートなevドライバーのレンジ不安を軽減するためのコスト効率の高い戦略として生まれます。 これまでの研究では、リソース割り当てを最適化するための集中型戦略に重点を置いており、特にプライバシー非依存のタクシー車両や固定ルートの公共交通機関に有用である。 しかし、プライベートevドライバーは、よりパーソナライズされ、リソースを意識した充電推奨事項を求めており、これは、(いつ、どこで充電するか)ユーザーの好みに合わせて、充電需要と充電需要の間の時空間的ミスマッチに十分に適応するように調整されている。 本稿では,各EVドライバーがユーザの好み(歴史的充電パターン)と外部報酬(運転距離と待ち時間)の最適なバランスをとれるようにするための,新しいRAC(Regularized Actor-Critic)充電推奨手法を提案する。 2つの実世界のデータセットにおける実験結果は、競合手法に対するアプローチのユニークな特徴と優れた性能を示している。

関連論文リスト

• Learning and Optimization for Price-based Demand Response of Electric Vehicle Charging [0.9124662097191375]
  PBDRモデリングのための新しい意思決定型エンドツーエンドフレームワークを提案する。 EV客のPBDRパターンを用いた充電ステーション運転シミュレーションにおける本手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-16T06:39:30Z)
• Electric Vehicles coordination for grid balancing using multi-objective Harris Hawks Optimization [0.0]
  再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)へのシフトと一致している。 複数のEVからグリッドへの電力フローの調整には、高度なアルゴリズムとロードバランシング戦略が必要である。 本稿では,安定した電力供給と安定したローカルグリッドの維持を目標として,一日のEVフリート調整モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-24T15:50:37Z)
• Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
  電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。 我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。 本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-10-18T18:38:59Z)
• Optimizing the Placement of Roadside LiDARs for Autonomous Driving [61.584278382844595]
  道路沿いのLiDARの配置を最適化する方法は不可欠だが、見落とされがちな問題である。 本稿では,シーン内の最適化位置を選択することで,道路側LiDARの配置を最適化する手法を提案する。 Roadside-Optという名前のデータセットは、ロードサイドLiDAR配置問題の研究を容易にするために、CARLAシミュレータを使って作成されている。
  論文  参考訳（メタデータ） (2023-10-11T07:24:27Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• 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)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• 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)

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。