論文の概要: When Agents Meet Electric Bus Fleet Operations: Pricing Behavior, Trade-offs, and Policy Implications in an Aggregator Framework

• arxiv url: http://arxiv.org/abs/2606.26400v1
• Date: Wed, 24 Jun 2026 21:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.088053
• Title: When Agents Meet Electric Bus Fleet Operations: Pricing Behavior, Trade-offs, and Policy Implications in an Aggregator Framework
• Title（参考訳）: 電気バスのフリート運用とエージェント:アグリゲータ・フレームワークにおける価格行動、トレードオフ、および政策含意
• Abstract要約: 本稿では,電気バスV2Gの動作を管理するためのエージェントアグリゲータフレームワークを提案する。 エージェントアグリゲータは、実行可能なスケジュールを維持し、再最適化を選択的に活性化し、充電とV2Gの柔軟性を向上させることで、適応的なフリートグリッド調整をサポートすることができる。 しかし、公開市場における彼らの展開には、透明性のある調整モード、監査可能な関税設定、明示的な価値共有ルールが必要です。
• 参考スコア（独自算出の注目度）: 1.973629969449657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic systems are changing how complex operational tasks are coordinated, introducing a new paradigm for connecting heterogeneous data sources and automating processes. Electric bus fleets provide a relevant test case. Their operation requires continuous coordination between service reliability, battery state-of-charge, charger availability, electricity prices, route-energy uncertainty, and vehicle-to-grid (V2G) opportunities. This paper proposes an agentic aggregator framework that streamlines this decision environment by coupling an optimization-based electric bus scheduling model with supervisory agents for disturbance detection, tariff adaptation, and schedule evaluation. The optimization core enforces physical feasibility across routes, chargers, batteries, and V2G exchanges, while the agentic layer interprets changing operating conditions, triggers real-time re-optimization when needed, and defines how flexibility value is allocated between the aggregator and the public transport operator (PTO). A realistic depot case study evaluates day-ahead and real-time operations under profit-based and operation-based coordination modes, considering service delays, route-energy deviations, electricity price shocks, and combined disturbances. The results show that agentic aggregation can support adaptive fleet-grid coordination by maintaining feasible schedules, activating re-optimization selectively, and improving the use of charging and V2G flexibility. However, they also reveal a critical trade-off: the same agentic capability that reduces operational complexity can extract value from the PTO when configured around profit-oriented pricing. These findings suggest that agentic aggregators can become useful for managing electric bus V2G operations, but their deployment in public-fleet contexts requires transparent coordination modes, auditable tariff-setting, and explicit value-sharing rules.
• Abstract（参考訳）: エージェントシステムは複雑な運用タスクの調整方法を変え、異種データソースと自動化プロセスを接続するための新しいパラダイムを導入している。 電気バスは関連するテストケースを提供する。 その運用には、サービスの信頼性、充電状態、充電器の可用性、電気価格、ルートエネルギーの不確実性、車両間通信(V2G)の機会の継続的な調整が必要である。 本稿では,この意思決定環境を簡素化するエージェントアグリゲータフレームワークを提案する。このフレームワークは,最適化に基づく電気バススケジューリングモデルと,外乱検出,関税適応,スケジュール評価のための監督エージェントを結合することにより,意思決定環境を効率化する。 最適化コアはルート、充電器、バッテリ、V2G交換所間の物理的実現性を強制し、エージェント層は動作条件の変更を解釈し、必要に応じてリアルタイムな再最適化をトリガーし、アグリゲータと公共交通機関(PTO)の間でどのように柔軟性値が割り当てられるかを定義する。 現実的なデポッドケーススタディでは、サービス遅延、ルートエネルギー偏差、電気価格ショック、複合障害を考慮した、利益ベースおよび運用ベースの調整モードによる日頭およびリアルタイムの運用を評価する。 その結果,エージェントアグリゲーションは,実現可能なスケジュールを維持し,再最適化を選択的に活性化し,充電とV2Gの柔軟性を向上させることで,適応的なフリートグリッド調整を支援することができることがわかった。 しかし、彼らはまた、重要なトレードオフを明らかにしている: 運用上の複雑さを減らすのと同じエージェント能力は、利益志向の価格設定でPTOから価値を引き出すことができる。 これらの結果から, エージェント・アグリゲータは, 電気バスV2Gの運用管理に有用であることが示唆されるが, 公共事業における運用には透過的な調整モード, 監査可能な関税設定, 明示的な価値共有ルールが必要である。

関連論文リスト

• Simulating Cognitive Smart Freight Corridors with Agent-Based Models and Reinforcement Learning [10.830765583747509]
  本稿では,物理インフラストラクチャ層,接続層(V2X),決定層(RL)を結合したエージェントベースモデリング(ABM)フレームワークを提案する。 スループット,混雑,エネルギー,排出,堅牢性の測定値を用いて,3つのシナリオ(Baseline,Assisted,Cognitive)を評価する。 予備的な結果は,コグニティブシナリオはベースラインよりも高いスループットと低い混雑を実現する一方で,補助シナリオは小隊による1キロあたりの有意義な省エネを達成していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T22:17:33Z)
• MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks [71.01350912967922]
  事故後のシナリオでは、無人航空機(UAV)が緊急通信ネットワークを確立する上で重要である。 本稿では,UAV支援緊急通信における情報量(AoI)の最小化について検討する。 適応型ルール誘導多エージェント深層強化学習フレームワークMA-HEAD-Netを開発した。
  論文  参考訳（メタデータ） (2026-08-02T10:05:50Z)
• Smart charging of large fleets of Electric Vehicles: Independent Multi-Agent Reinforcement Learning approaches [3.0107900780979313]
  この研究は、分散EV充電を最適化するための2つの独立したマルチエージェント強化学習手法と比較する。 局地的な環境情報に基づいて意思決定を行う自律エージェントを用いた現実的なシミュレーション環境を用いて,その性能を様々な混雑レベルにわたって評価する。
  論文  参考訳（メタデータ） (2026-06-30T08:43:55Z)
• Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning [6.02092443563717]
  分散型エネルギー資源(DER)の急激な成長を加速させる再生可能エネルギー 本研究では、現実的な情報制約下で複数のEVCSを協調する安全強化されたVPPフレームワークを提案する。 現実的な33バスPDN実験により,提案手法は電圧違反を約45%削減し,運転コストを約10%削減することを示した。
  論文  参考訳（メタデータ） (2026-03-24T10:27:56Z)
• Grid-Aware Charging and Operational Optimization for Mixed-Fleet Public Transit [11.618218411493478]
  電気とディーゼルの両方からなる混成輸送車両は、重要な運用上の課題である。 本稿では,これらの課題に対処する包括的混合整数線形プログラミング(MILP)モデルを提案する。 提案手法は, 混合輸送船の運用コストを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2026-01-13T17:30:25Z)
• Online Decision-Making Under Uncertainty for Vehicle-to-Building Systems [7.044953600272161]
  V2Bシステムは、ビルの充電器に接続されたスマートビルや電気自動車(EV)などの物理的なインフラと、エネルギー使用を管理するデジタル制御機構を統合している。 このセットアップはV2B最適化の問題につながり、EV充電と放電を調整し、ユーザの充電要求を満たしながら全体の電力コストを最小化する。
  論文  参考訳（メタデータ） (2026-01-07T00:05:45Z)
• CONSENT: A Negotiation Framework for Leveraging User Flexibility in Vehicle-to-Building Charging under Uncertainty [6.820103523878096]
  電気自動車(EV)の成長は、非コーディネート充電による高エネルギーコストに直面している建築事業者と、利便性とフルチャージを優先するドライバーとの衝突を引き起こす。 本稿では、自発的な参加、戦略保護、予算実現性を保証する交渉ベースの枠組みを提案する。 EV充電は、ドライバーに、出発時間や要求された充電状態における控えめな柔軟性に対するインセンティブによって支えられた様々なオプションを提供することによって、戦略的リソースに変換される。
  論文  参考訳（メタデータ） (2026-01-04T15:59:52Z)
• Shielded Controller Units for RL with Operational Constraints Applied to Remote Microgrids [50.64533198075622]
  強化学習(Reinforcement Learning, RL)は、不確実性の下で複雑なシステムにおける意思決定を最適化するための強力なフレームワークである。 本稿では,システムダイナミクスの事前知識を活用する体系的かつ解釈可能なアプローチであるシールド制御ユニット(SCU)を紹介する。 本研究では,厳密な運用要件を持つ遠隔マイクログリッド最適化タスクにおけるSCUの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-30T19:28:34Z)
• Joint Optimization of Cooperation Efficiency and Communication Covertness for Target Detection with AUVs [105.81167650318054]
  本稿では,自律型水中車両(AUV)を用いた水中協調目標検出について検討する。 まず,共同軌道と電力制御の最適化問題を定式化し,それを解決するための革新的な階層的行動管理フレームワークを提案する。 集中学習と分散実行のパラダイムの下で,我々の目標検出フレームワークは,エネルギーとモビリティの制約を満たすとともに,適応的なカバート協調を可能にする。
  論文  参考訳（メタデータ） (2025-10-21T02:14:11Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• 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)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• Equilibrium Inverse Reinforcement Learning for Ride-hailing Vehicle Network [1.599072005190786]
  疎結合グラフにおける客車マッチングの問題を定式化する。 マルチエージェント環境における平衡ポリシを導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-13T03:18:44Z)
• 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。