論文の概要: Optimizing Energy Efficiency in Metro Systems Under Uncertainty Disturbances Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2304.13443v3
• Date: Wed, 17 May 2023 10:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 19:31:17.286511
• Title: Optimizing Energy Efficiency in Metro Systems Under Uncertainty Disturbances Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた不確実性外乱下におけるメトロシステムのエネルギー効率の最適化
• Authors: Haiqin Xie, Cheng Wang, Shicheng Li, Yue Zhang, Shanshan Wang
• Abstract要約: 遅延や乗客の流れの変化などの外乱は、メトロシステムのエネルギー効率に悪影響を及ぼす可能性がある。 本稿では,メトロタイムテーブルを再スケジュールし,エネルギー効率を最適化する政策に基づく強化学習手法を提案する。
• 参考スコア（独自算出の注目度）: 18.766260697259057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of urban transportation, metro systems serve as crucial and sustainable means of public transit. However, their substantial energy consumption poses a challenge to the goal of sustainability. Disturbances such as delays and passenger flow changes can further exacerbate this issue by negatively affecting energy efficiency in metro systems. To tackle this problem, we propose a policy-based reinforcement learning approach that reschedules the metro timetable and optimizes energy efficiency in metro systems under disturbances by adjusting the dwell time and cruise speed of trains. Our experiments conducted in a simulation environment demonstrate the superiority of our method over baseline methods, achieving a traction energy consumption reduction of up to 10.9% and an increase in regenerative braking energy utilization of up to 47.9%. This study provides an effective solution to the energy-saving problem of urban rail transit.
• Abstract（参考訳）: 都市交通の分野では、地下鉄は公共交通の重要かつ持続可能な手段となっている。 しかし、その実質的なエネルギー消費は持続可能性の目標に挑戦する。 遅延や乗客の流れの変化などの障害は、メトロシステムのエネルギー効率に悪影響を及ぼすことで、この問題をさらに悪化させる可能性がある。 そこで本研究では,列車の走行時間と走行速度を調整し,外乱下におけるメトロシステムのエネルギー効率を最適化し,メトロタイムテーブルを再スケジュールする政策ベース強化学習手法を提案する。 シミュレーション環境で行った実験は,本手法がベースライン法よりも優れていることを示し,トラクションエネルギーを最大10.9%削減し,再生制動エネルギー利用率を最大47.9%向上させた。 本研究は,都市交通の省エネルギー問題に対する効果的な解決法を提供する。

関連論文リスト

• Real-Time Energy-Optimal Path Planning for Electric Vehicles [13.38255011577359]
  エネルギー計算にキーカーの動力学パラメータを組み込んだ正確なエネルギーモデルを構築した。 また、2つの新しいオンラインリウェイト機能を導入し、より高速で、前処理のないパスフィニングを可能にします。
  論文  参考訳（メタデータ） (2024-11-20T01:39:08Z)
• A methodological framework for Resilience as a Service (RaaS) in multimodal urban transportation networks [0.0]
  本研究は,サービス戦略としてのレジリエンスを通じて公共交通の混乱を管理することを目的としている。 効率よく資源を割り当て、オペレーターと乗客のコストを最小限に抑える最適化モデルを開発する。 提案手法はイル・ド・フランス、パリ、郊外のケーススタディに適用された。
  論文  参考訳（メタデータ） (2024-08-30T12:22:34Z)
• AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
  地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。 本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。 本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-07T10:06:04Z)
• 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)
• A Review on AI Algorithms for Energy Management in E-Mobility Services [4.084938013041068]
  エモービリティ(E-mobility、電気モビリティ)は、環境や持続可能性の懸念に対処するための重要なソリューションとして登場した。 本稿では,e-mobilityシステムにおける効率的なエネルギー管理に関する様々な課題に,人工知能(AI)が取り組む可能性を探究する。
  論文  参考訳（メタデータ） (2023-09-26T16:34:35Z)
• Short Run Transit Route Planning Decision Support System Using a Deep Learning-Based Weighted Graph [0.0]
  本稿では,公共交通機関の計画立案者が短期間の経路改善を迅速に特定できるような,意思決定支援システムのための新しいディープラーニング手法を提案する。 本手法は,日中の2つの停留所間の経路をシームレスに調整することにより,時間を短縮し,PTサービスを増強する。 本研究では,道路セグメントの遅延値を予測するためのディープラーニングモデルを訓練し,これらの遅延値を輸送グラフのエッジ重みとして利用することにより,効率的な経路探索を実現する。
  論文  参考訳（メタデータ） (2023-08-24T14:37:55Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Route Optimization via Environment-Aware Deep Network and Reinforcement Learning [7.063811319445716]
  車両サービス提供者(タクシー運転手など)の収益性を最大化するモバイルシーケンシャルレコメンデーションシステムを開発する。 顧客ピックアップポイント監視のための自己チェック機構とディープニューラルネットワークを統合することにより,この問題に対処するための強化学習フレームワークを提案する。 新型コロナウイルスの感染拡大前後のニューヨーク市における黄色いタクシーデータをもとに,本手法の有効性を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2021-11-16T02:19:13Z)
• Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for Data-Driven Base Station Sleep Control [39.31623488192675]
  5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。 BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。 セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。 本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-01-21T01:39:42Z)
• Polestar: An Intelligent, Efficient and National-Wide Public Transportation Routing Engine [43.09401975244128]
  Polestarは、インテリジェントで効率的な公共交通機関ルーティングのためのデータ駆動型エンジンである。 具体的には,交通費の異なる公共交通機関をモデル化するための新しい公共交通グラフ(PTG)を提案する。 次に、効率的な経路候補生成のための効率的な局結合法と組み合わせた一般経路探索アルゴリズムを提案する。 2つの実世界のデータセットの実験は、効率性と有効性の両方の観点からPoestarの利点を実証している。
  論文  参考訳（メタデータ） (2020-07-11T05:14:52Z)
• Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
  都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。 輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
  論文  参考訳（メタデータ） (2020-05-09T13:53:01Z)

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。