論文の概要: $\textit{e-Uber}$: A Crowdsourcing Platform for Electric Vehicle-based
Ride- and Energy-sharing
- arxiv url: http://arxiv.org/abs/2304.04753v1
- Date: Fri, 31 Mar 2023 04:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-16 22:25:50.391315
- Title: $\textit{e-Uber}$: A Crowdsourcing Platform for Electric Vehicle-based
Ride- and Energy-sharing
- Title（参考訳）: 電気自動車による配車・エネルギー共有のためのクラウドソーシングプラットフォーム、$\textit{e-uber}$
- Authors: Ashutosh Timilsina and Simone Silvestri
- Abstract要約: EVの普及を利用して、e-Uberと呼ばれるクラウドソーシングプラットフォームを実現する。
e-Uberは空間的クラウドソーシング、強化学習、リバースオークション理論を利用している。
e-Uberは最適に近いパフォーマンスを示し、最先端のアプローチよりも優れたソリューションを見出す。
- 参考スコア（独自算出の注目度）: 2.2463154358632473
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The sharing-economy-based business model has recently seen success in the
transportation and accommodation sectors with companies like Uber and Airbnb.
There is growing interest in applying this model to energy systems, with
modalities like peer-to-peer (P2P) Energy Trading, Electric Vehicles (EV)-based
Vehicle-to-Grid (V2G), Vehicle-to-Home (V2H), Vehicle-to-Vehicle (V2V), and
Battery Swapping Technology (BST). In this work, we exploit the increasing
diffusion of EVs to realize a crowdsourcing platform called e-Uber that jointly
enables ride-sharing and energy-sharing through V2G and BST. e-Uber exploits
spatial crowdsourcing, reinforcement learning, and reverse auction theory.
Specifically, the platform uses reinforcement learning to understand the
drivers' preferences towards different ride-sharing and energy-sharing tasks.
Based on these preferences, a personalized list is recommended to each driver
through CMAB-based Algorithm for task Recommendation System (CARS). Drivers bid
on their preferred tasks in their list in a reverse auction fashion. Then
e-Uber solves the task assignment optimization problem that minimizes cost and
guarantees V2G energy requirement. We prove that this problem is NP-hard and
introduce a bipartite matching-inspired heuristic, Bipartite Matching-based
Winner selection (BMW), that has polynomial time complexity. Results from
experiments using real data from NYC taxi trips and energy consumption show
that e-Uber performs close to the optimum and finds better solutions compared
to a state-of-the-art approach
- Abstract（参考訳）: 共有経済ベースのビジネスモデルは最近、UberやAirbnbといった企業との交通・宿泊分野で成功している。
ピアツーピア(P2P)エネルギートレーディング、EV(EV)ベースの電気自動車(V2G)、V2H(V2H)、V2V(V2V)、バッテリースワッピング技術(BST)など、エネルギーシステムにこのモデルを適用することへの関心が高まっている。
本研究では,evの普及を生かして,v2g と bst による相乗りとエネルギー共有を実現するクラウドソーシングプラットフォーム e-uber を実現する。
e-Uberは空間的クラウドソーシング、強化学習、リバースオークション理論を利用している。
具体的には、強化学習を使用して、異なるライドシェアリングとエネルギー共有タスクに対するドライバーの好みを理解する。
これらの選好に基づいて、タスク推薦システム(cars)のためのcmabベースのアルゴリズムにより、各ドライバにパーソナライズされたリストが推奨される。
ドライバーは、リストの好きなタスクを逆オークション方式で入札します。
e-uberはコストを最小化し、v2gのエネルギー要求を保証するタスク割り当て最適化問題を解決する。
この問題はNPハードであることが証明され、多項式時間複雑性を持つ二部マッチング型ヒューリスティックな二部マッチングベースのウィンナーセレクション(BMW)が導入された。
ニューヨーク市のタクシー旅行データとエネルギー消費データを用いた実験の結果、e-Uberは最適に近い性能を示し、最先端のアプローチと比較してより良いソリューションを見出した。
関連論文リスト
- Dynamic Rolling Horizon Optimization for Network-Constrained V2X Value Stacking of Electric Vehicles Under Uncertainties [4.43248614452072]
電気自動車(EV)のコーディネーションは、全車間(V2X)を通じて大きな利益をもたらすことができる
本研究の目的は、V2X価値構築フレームワーク(V2B)、V2G(V2G)、エネルギー取引など)を開発することである。
論文 参考訳（メタデータ） (2025-02-13T13:06:56Z) - Multi-attribute Auction-based Resource Allocation for Twins Migration in Vehicular Metaverses: A GPT-based DRL Approach [85.65587846913793]
車両メタバース(Vehicular Metaverses)は、近代自動車産業を強化するために開発され、コネクテッドカー間の没入的で安全な体験を提供する。
本稿では,VTsマイグレーション時の資源配分を最適化する属性対応オークション方式を提案する。
我々は、生成事前学習型変換器(GPT)に基づく深部強化学習(DRL)アルゴリズムを用いて、DDAオークション器を訓練し、オークションクロックを効率的に調整する。
論文 参考訳（メタデータ） (2024-06-08T09:41:38Z) - Coalitional Bargaining via Reinforcement Learning: An Application to
Collaborative Vehicle Routing [49.00137468773683]
コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。
これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。
しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか?
シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
論文 参考訳（メタデータ） (2023-10-26T15:04:23Z) - Recent Progress in Energy Management of Connected Hybrid Electric
Vehicles Using Reinforcement Learning [6.851787321368938]
電気輸送へのシフトは、化石燃料消費に関する環境問題を抑制することを目的としている。
HEVからコネクテッドハイブリッド電気自動車(CHEV)へのエネルギー管理システム(EMS)の進化は、重要なシフトを表している。
このレビューは、将来の持続可能な輸送システムに対するRLベースのソリューションのギャップを橋渡しし、課題、進歩、潜在的貢献を明らかにする。
論文 参考訳（メタデータ） (2023-08-28T14:12:52Z) - 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 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) - 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) - Efficiency, Fairness, and Stability in Non-Commercial Peer-to-Peer
Ridesharing [84.47891614815325]
本稿は、P2Pライドシェアリングにおける中核的な問題である、ライダーとドライバーのマッチングに焦点を当てる。
P2Pライドシェアリングにおける公平性と安定性の新たな概念を紹介する。
結果は、妥当な計算時間で、公平で安定した解が得られることを示唆している。
論文 参考訳（メタデータ） (2021-10-04T02:14:49Z) - 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) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z) - Local Differential Privacy based Federated Learning for Internet of
Things [72.83684013377433]
Internet of Vehicles (IoV)は、Waze、Uber、Amazon Mechanical Turkなど、さまざまなクラウドソーシングアプリケーションをシミュレートする。
これらのアプリケーションのユーザは、ユーザの報告したトラフィック情報に基づいて機械学習モデルをトレーニングするクラウドサーバに、リアルタイムのトラフィック情報を報告する。
本稿では,機械学習モデルを実現するためのクラウドソーシングアプリケーションを容易にするために,フェデレーション学習とローカルディファレンシャルプライバシ(LDP)を統合することを提案する。
論文 参考訳（メタデータ） (2020-04-19T14:03:10Z)
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。