論文の概要: Carbon-Aware Electric Vehicle Routing Problem with Decision-Focused Learning
- arxiv url: http://arxiv.org/abs/2610.39645v1
- Date: Thu, 29 Oct 2026 09:03:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.482434
- Title: Carbon-Aware Electric Vehicle Routing Problem with Decision-Focused Learning
- Title（参考訳）: Decision-Focused Learningを用いたカーボンアウェア電気自動車ルーティング問題
- Abstract要約: 電気自動車はテールパイプのエミッションを発生させることはないが、充電することで消費される電力の時間変化によるエミッションを発生させる。
従来の配電コストと並行して充電関連排出を考慮に入れた炭素認識目標を用いた電気自動車配電問題について検討する。
これらの決定は将来の炭素強度の予測に依存するため、時間とともにグリッドの炭素強度を予測するために使用されるモデルのトレーニングが解けるように、決定中心の学習アプローチを提案する。
- 参考スコア（独自算出の注目度）: 6.087274577167399
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electric vehicles produce no tailpipe emissions, but charging them produces emissions that depend on the time-varying generation mix of the electricity consumed. We study an Electric Vehicle Routing Problem with a carbon-aware objective that accounts for charging-related emissions alongside conventional routing costs. The problem determines routing, charging, and waiting decisions, allowing charging demand to be shifted toward periods with lower grid carbon intensity. Because these decisions depend on forecasts of future carbon intensity, we propose a decision-focused learning approach so that the training of the model employed for predicting the carbon intensity of the grid over time is solver-aware. In particular, we train a linear predictor using approximate SPO+ directions and employ a time-limited Large Neighborhood Search followed by exact postprocessing as the underlying solver. Experiments on realistic Germany-based instances show that explicitly considering charging-related emissions reduces realized emissions by 28.76% on average relative to carbon-blind optimization, although at the expense of higher non-carbon operating cost. Moreover, decision-focused training reduces realized total cost by 2.30% on average relative to conventional prediction-focused learning and performs better on 75.5% of the test instances, despite substantially lower pointwise predictive accuracy. Finally, we show that its average advantage remains positive across varied solver configurations and carbon-cost weights.
- Abstract（参考訳）: 電気自動車はテールパイプのエミッションを発生させることはないが、充電することで消費される電力の時間変化によるエミッションを発生させる。
従来の配電コストと並行して充電関連排出を考慮に入れた炭素認識目標を用いた電気自動車配電問題について検討する。
この問題は、ルーティング、充電、待ち行列を決定し、充電需要を低いグリッド炭素強度の周期にシフトさせる。
これらの決定は将来の炭素強度の予測に依存するため、時間とともにグリッドの炭素強度を予測するために使用されるモデルのトレーニングが解けるように、決定中心の学習アプローチを提案する。
特に、近似SPO+方向を用いて線形予測器を訓練し、時間制限付きLarge Neighborhood Searchを使用し、その後、正確な後処理を基礎となる解法とする。
ドイツを拠点とした現実的な事例の実験では、充電関連の排出を明示的に考慮すると、カーボンブラインドの最適化よりも平均28.76%削減されるが、非炭素運転コストは高い。
さらに、意思決定中心のトレーニングは、従来の予測中心の学習と比較して平均2.30%のコスト削減を実現し、ポイントワイド予測精度が著しく低いにもかかわらず、テストインスタンスの75.5%でパフォーマンスが向上する。
最後に, その平均的優位性は, 種々の解法構成および炭素コスト重みに対して有意であることを示す。
関連論文リスト
- Emission-Aware Reinforcement Learning for Sustainable Electric Vehicle Charging and Carbon Dioxide Reduction Under Varying Renewable Penetration [1.4498318750453458]
電気自動車(EV)の採用は、ピーク負荷のスパイク、電圧不安定性、および非コーディネート充電によるトランスフォーマー過負荷を通じて電力分配ネットワークに挑戦する。
既存の手法では、リアルタイムの炭素強度や変動する再生可能エネルギー(RE)を主要なスケジューリング目的として扱うことは稀である。
本稿では,SAC(Soft Actor Critic)アルゴリズムをベースとした,炭素排出量の削減,現場での再生可能エネルギーの削減,ユーザ需要の未達成といった,多目的報酬を用いた発光対応RL戦略を提案する。
論文 参考訳（メタデータ） (2026-05-23T12:19:45Z) - Towards net-zero manufacturing: carbon-aware scheduling for GHG emissions reduction [0.0]
スコープ2エミッションは、グリッド電力の生産と消費に関連する間接的なエミッションである。
本研究では, スコープ2の排出削減を目的とした, 炭素を意識したフローショップスケジューリングモデルを提案する。
論文 参考訳（メタデータ） (2025-03-03T09:06:54Z) - 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) - Towards Carbon-Neutral Edge Computing: Greening Edge AI by Harnessing
Spot and Future Carbon Markets [24.462679595118672]
我々は、CERを複数の時間スケールで購入し、機械学習タスクをオフロードする場所を決定するオンラインアルゴリズムを提案する。
さらに,$T$-slot問題のNP硬度を考慮し,資源制限付きランダム化依存ラウンドリングアルゴリズムを提案する。
実炭素強度トレースによって駆動される理論解析と広範囲なシミュレーション結果は,提案アルゴリズムの優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-22T11:14:16Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - A Deep Reinforcement Learning-Based Charging Scheduling Approach with
Augmented Lagrangian for Electric Vehicle [2.686271754751717]
本稿では,EV充電スケジューリング問題を制約付きマルコフ決定過程(CMDP)として定式化する。
本稿では, CMDP を解くために, 安全な非政治強化学習(RL)手法を提案する。
実世界の電力価格を用いた総合的な数値実験により,提案アルゴリズムは高解最適性と制約コンプライアンスを実現することができることを示した。
論文 参考訳（メタデータ） (2022-09-20T14:56:51Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Optimizing carbon tax for decentralized electricity markets using an
agent-based model [69.3939291118954]
人為的気候変動の影響を避けるためには、化石燃料から低炭素技術への移行が必要である。
炭素税は、この移行を支援する効率的な方法であることが示されている。
NSGA-IIの遺伝的アルゴリズムを用いて、電力混合の平均電気価格と相対炭素強度を最小化する。
論文 参考訳（メタデータ） (2020-05-28T06:54:43Z)
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。