論文の概要: A Combinatorial Semi-Bandit Approach to Charging Station Selection for
Electric Vehicles
- arxiv url: http://arxiv.org/abs/2301.07156v1
- Date: Tue, 17 Jan 2023 19:57:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 17:32:29.097187
- Title: A Combinatorial Semi-Bandit Approach to Charging Station Selection for
Electric Vehicles
- Title（参考訳）: 電気自動車の充電ステーション選択のための組合せ半帯域アプローチ
- Authors: Niklas {\AA}kerblom, Morteza Haghir Chehreghani
- Abstract要約: 本研究では,道路網を探索し,待ち時間と充電電力分布のパラメータを学習するための半帯域フレームワークを開発する。
本研究では,ノルウェー,スウェーデン,フィンランドの道路網における長距離航法問題事例を対象としたシミュレーション実験を行った。
- 参考スコア（独自算出の注目度）: 4.873362301533825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we address the problem of long-distance navigation for battery
electric vehicles (BEVs), where one or more charging sessions are required to
reach the intended destination. We consider the availability and performance of
the charging stations to be unknown and stochastic, and develop a combinatorial
semi-bandit framework for exploring the road network to learn the parameters of
the queue time and charging power distributions. Within this framework, we
first outline a pre-processing for the road network graph to handle the
constrained combinatorial optimization problem in an efficient way. Then, for
the pre-processed graph, we use a Bayesian approach to model the stochastic
edge weights, utilizing conjugate priors for the one-parameter exponential and
two-parameter gamma distributions, the latter of which is novel to multi-armed
bandit literature. Finally, we apply combinatorial versions of Thompson
Sampling, BayesUCB and Epsilon-greedy to the problem. We demonstrate the
performance of our framework on long-distance navigation problem instances in
country-sized road networks, with simulation experiments in Norway, Sweden and
Finland.
- Abstract（参考訳）: 本研究では,目的の目的地に到達するために1つ以上の充電セッションが必要となるバッテリ電気自動車(bev)の長距離ナビゲーションの問題に対処する。
充電ステーションの可用性と性能は未知かつ確率的であると考え,道路網を探索して待ち行列時間と充電電力分布のパラメータを学習するための組込みセミバンドフレームワークを開発した。
このフレームワークではまず,制約付き組合せ最適化問題を効率的に処理するためのロードネットワークグラフの事前処理について概説する。
次に, 前処理グラフに対して, 確率的エッジ重みのモデル化にベイズ的手法を用いて, 1 パラメータ指数関数分布と 2 パラメータガンマ分布の共役前置法を応用し, 後者は多腕バンディット文献に新規である。
最後に,Thompson Sampling, BayesUCB, Epsilon-greedy の組合せ版をこの問題に適用する。
本研究では,ノルウェー,スウェーデン,フィンランドの道路網における長距離航法問題事例を対象としたシミュレーション実験を行った。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Safety Aware Autonomous Path Planning Using Model Predictive
Reinforcement Learning for Inland Waterways [2.0623470039259946]
モデル予測強化学習(MPRL)と呼ばれる強化学習に基づく新しい経路計画手法を提案する。
MPRLは、船が従うための一連のウェイポイントを計算する。
提案手法を2つのシナリオで実証し,Frenetフレームを用いた経路計画とPPOエージェントに基づく経路計画との比較を行った。
論文 参考訳（メタデータ） (2023-11-16T13:12:58Z) - Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
静的および条件付き最適輸送(COT)問題の解を近似する2つのニューラルネットワークアプローチを提案する。
我々は、ベンチマークデータセットとシミュレーションに基づく逆問題を用いて、両アルゴリズムを競合する最先端のアプローチと比較する。
論文 参考訳（メタデータ） (2023-10-25T20:20:09Z) - Learning-Aided Warmstart of Model Predictive Control in Uncertain
Fast-Changing Traffic [2.0965639599405366]
我々は、ネットワークベースのマルチモーダル予測器を用いて、自律走行車軌道の提案を生成する。
このアプローチにより,複数の局所最小値の同定が可能となり,初期推定精度が向上する。
我々はモンテカルロシミュレーションによるアプローチを異なるシナリオで検証する。
論文 参考訳（メタデータ） (2023-10-04T16:00:21Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Similarity-based Feature Extraction for Large-scale Sparse Traffic
Forecasting [4.295541562380963]
NeurIPS 2022 Traffic4cast チャレンジは、公共に利用可能なスパースループ数データで都市全体の交通状態を予測することを目的としている。
この技術報告は、ETA予測の拡張課題に対して、私たちの2位獲得ソリューションを紹介します。
論文 参考訳（メタデータ） (2022-11-13T22:19:21Z) - Score-based Generative Neural Networks for Large-Scale Optimal Transport [15.666205208594565]
場合によっては、最適な輸送計画は、ソースサポートからターゲットサポートへの1対1のマッピングの形を取る。
代わりに、ソースとターゲット分布のカップリングを解いた最適輸送の正規化形態であるシンクホーン問題について検討する。
本稿では,2つの分布間のシンクホーン結合をスコアベース生成モデルで学習するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-07T07:45:39Z) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。
GP-UCBに類似した条件下では, 応答が得られないことを示す。
実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
論文 参考訳（メタデータ） (2021-06-02T05:03:38Z) - Continuous Regularized Wasserstein Barycenters [51.620781112674024]
正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。
我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
論文 参考訳（メタデータ） (2020-08-28T08:28:06Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。