論文の概要: Optimal Design and Implementation of an Open-source Emulation Platform for User-Centric Shared E-mobility Services
- arxiv url: http://arxiv.org/abs/2403.07964v2
- Date: Mon, 1 Jul 2024 18:46:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 07:29:19.716304
- Title: Optimal Design and Implementation of an Open-source Emulation Platform for User-Centric Shared E-mobility Services
- Title（参考訳）: ユーザ中心共有E-mobilityサービスのためのオープンソースエミュレーションプラットフォームの最適設計と実装
- Authors: Maqsood Hussain Shah, Yue Ding, Shaoshu Zhu, Yingqi Gu, Mingming Liu,
- Abstract要約: 既存の共有E-mobilityサービスは重要な設計上の欠陥を示す。
E-mobility研究コミュニティに利益をもたらすような、統合されたオープンソースプラットフォームはありません。
本稿では,共有E-mobilityのためのオープンソースプラットフォームを提供することで,このギャップを埋めることを目的とする。
- 参考スコア（独自算出の注目度）: 3.143086603502139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rising concern over transportation emissions and pollution on a global scale, shared electric mobility services like E-cars, E-bikes, and E-scooters have emerged as promising solutions to mitigate these pressing challenges. However, existing shared E-mobility services exhibit critical design deficiencies, including insufficient service integration, imprecise energy consumption forecasting, limited scalability and geographical coverage, and a notable absence of a user-centric perspective, particularly in the context of multi-modal transportation. More importantly, there is no consolidated open-source platform which could benefit the E-mobility research community. This paper aims to bridge this gap by providing an open-source platform for shared E-mobility. The proposed platform, with an agent-in-the-loop approach and modular architecture, is tailored to diverse user preferences and offers enhanced customization. We demonstrate the viability of this platform by providing a comprehensive analysis for integrated multi-modal route-optimization in diverse scenarios of energy availability, user preferences and E-mobility tools placement for which we use modified Ant Colony Optimization algorithm so called Multi-Model Energy Constrained ACO (MMEC-ACO) and Q-Learning algorithms. Our findings demonstrate that Q-learning achieves significantly better performance in terms of travel time cost for more than 90\% of the instances as compared to MMEC-ACO for different scenarios including energy availability, user preference and E-mobility tools distribution. For a fixed (O, D) pair, the average execution time to achieve optimal time cost solution for MMEC-ACO is less than 2 seconds, while Q-learning reaches an optimal time cost in 20 seconds on average. For a run-time of 2 seconds, Q-learning still achieves a better optimal time cost with a 20\% reduction over MMEC-ACO's time cost.
- Abstract（参考訳）: 世界規模での交通機関の排出や汚染に対する懸念が高まる中、Eカー、Eバイク、Eスクーターなどの電動モビリティサービスが、これらの圧力を和らげるための有望な解決策として浮上してきた。
しかし、既存の共有E-mobilityサービスは、サービス統合の不足、不正確なエネルギー消費予測、拡張性や地理的範囲の制限、特にマルチモーダル輸送の文脈において、ユーザ中心の視点の欠如など、重要な設計上の欠陥を示す。
さらに重要なのは、E-mobility研究コミュニティに利益をもたらすような、統合されたオープンソースプラットフォームが存在しないことです。
本稿では,共有E-mobilityのためのオープンソースプラットフォームを提供することで,このギャップを埋めることを目的とする。
提案するプラットフォームは、エージェント・イン・ザ・ループのアプローチとモジュラーアーキテクチャを持ち、多様なユーザの好みに合わせてカスタマイズされ、拡張されたカスタマイズを提供する。
我々は,多モデルエネルギー制約ACO (MMEC-ACO) とQラーニングアルゴリズム (Q-Learning) と呼ばれる改良型Ant Colony Optimizationアルゴリズムを用いて,エネルギー可用性,ユーザ嗜好,E-mobilityツール配置の様々なシナリオにおいて,統合されたマルチモーダル経路最適化のための総合的な解析を行うことにより,このプラットフォームの実現可能性を示す。
以上の結果から,Q-ラーニングは,エネルギー利用率,ユーザ嗜好,E-mobilityツールの分布など,さまざまなシナリオにおいてMMEC-ACOと比較して,90%以上のインスタンスに対して,旅行時間コストにおいて有意に優れた性能を示した。
固定(O,D)ペアの場合、MMEC-ACOの最適時間コスト解を達成する平均実行時間は2秒未満であり、Qラーニングは平均20秒で最適時間コストに達する。
実行時間2秒間、Q-learning は MMEC-ACO の時間コストを 20 % 削減して、よりよい最適時間コストを達成する。
関連論文リスト
- Optimizing Travel Itineraries with AI Algorithms in a Microservices Architecture: Balancing Cost, Time, Preferences, and Sustainability [1.03590082373586]
この研究の目的は、アーキテクチャにおけるAIアルゴリズムの実装が、コスト、時間、ユーザの好み、環境の持続可能性によって、旅行イテナリーをどのように強化するかである。
コスト予測とパーソナライゼーションの両方に機械学習モデル、イテレーションの最適化のための遺伝的アルゴリズム、持続可能性チェックのためのイテレーションを使用する。
実験の結果,1000人の同時ユーザに対して平均4.5秒の応答時間,92%のユーザの選好精度が確認された。
論文 参考訳（メタデータ） (2024-10-23T15:15:56Z) - A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach [5.277822313069301]
OTA(Over-the-air)FLは、デバイス間直接接続や集中型サーバを使わずにモデルアップデートを広めることによって、これらの課題に対処するために導入された。
OTA-FLは、エネルギー消費の増大とネットワーク遅延の制限を引き起こした。
本稿では,グレイオオカミ(GWO)を用いた多属性クライアント選択フレームワークを提案し,各ラウンドの参加者数を戦略的に制御する。
論文 参考訳（メタデータ） (2024-09-16T20:03:57Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - etuner: A Redundancy-Aware Framework for Efficient Continual Learning Application on Edge Devices [47.365775210055396]
推論精度、微調整実行時間、エネルギー効率を最適化する効率的なエッジ連続学習フレームワークであるETunerを提案する。
実験結果から,ETunerは全体の微調整実行時間を64%削減し,エネルギー消費量を56%削減し,即時モデル微調整アプローチよりも平均推定精度を1.75%向上した。
論文 参考訳（メタデータ） (2024-01-30T02:41:05Z) - Edge computing service deployment and task offloading based on
multi-task high-dimensional multi-objective optimization [5.64850919046892]
本研究では,マルチユーザ環境におけるサービス展開とタスクオフロードの課題について検討する。
レイテンシ、エネルギー消費、コストを考慮せずに安定したサービス提供を確保するために、ネットワークの信頼性も組み込まれている。
エッジサーバの適切な使用を促進するため、第4のタスクオフロード目的としてロードバランシングを導入している。
論文 参考訳（メタデータ） (2023-12-07T07:30:47Z) - Real-time Control of Electric Autonomous Mobility-on-Demand Systems via Graph Reinforcement Learning [14.073588678179865]
エレクトロニック・モビリティ・オン・デマンド(E-AMoD)は、いくつかのリアルタイムな意思決定を行う必要がある。
強化学習のレンズによるE-AMoD制御問題を提案する。
本稿では,拡張性を大幅に向上し,性能の最適化に優れるグラフネットワークベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-09T22:57:21Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - End-to-End Feasible Optimization Proxies for Large-Scale Economic
Dispatch [19.35194281700331]
本稿では,経済的ディスパッチ問題に対する最適化プロキシのトレーニングのための新しいエンド・ツー・エンド学習・修復アーキテクチャを提案する。
E2ELRは、ディープニューラルネットワークとクローズドフォームで微分可能な修復層を組み合わせることで、エンドツーエンドで学習と実現性を統合する。
E2ELRは、エネルギとリザーブを共同最適化する経済的なディスパッチを使用して、数万のバスを持つ産業規模の電力網で評価されている。
論文 参考訳（メタデータ） (2023-04-23T19:00:17Z) - Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。
MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。
本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T07:37:10Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。