論文の概要: A Deep Reinforcement Learning Framework for Real-Time Electric Vehicle Charging Management in IoEV-Enabled Smart Cities

• arxiv url: http://arxiv.org/abs/2611.01751v1
• Date: Sun, 01 Nov 2026 09:57:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:04:49.164731
• Title: A Deep Reinforcement Learning Framework for Real-Time Electric Vehicle Charging Management in IoEV-Enabled Smart Cities
• Title（参考訳）: IoEV対応スマートシティにおけるリアルタイム電気自動車充電管理のための深層強化学習フレームワーク
• Abstract要約: 都市環境における電気自動車(EV)の急速な成長は、インテリジェントで分散化された充電管理戦略を必要とする。 本稿では,各EVを充電ステーション(CS)とし,DQN(Deep Q-Network)ポリシーを問合せするエッジインテリジェントアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The rapid growth of electric vehicles (EVs) in urban environments demands intelligent, decentralised charging management strategies that operate under strict real-time constraints. This paper proposes an Edge-Intelligent architecture in which each EV selects a charging station (CS) by querying a shared, centrally trained Deep Q-Network (DQN) policy over a lightweight MQTT publish-subscribe backbone; independent per-EV edge inference is the deployment target, not the configuration evaluated here. The reported simulation evaluates that shared DQN policy applied sequentially to each vehicle's observations within a single SUMO run, using MQTT for KPI telemetry while observations are obtained through TraCI. The system is evaluated on two real-world road networks from OpenStreetMap (Rabat Agdal-Hay Riad and Tangier, Morocco); the primary network carries four geolocated public charging stations with heterogeneous power levels (50 kW and 150 kW). Three traffic demand profiles (morning, midday, evening peak) are simulated, and four decision policies are compared: an Adaptive Heuristic, a Tabular Q-Learning agent, the proposed DQN agent, and a Double DQN variant. A multi-seed statistical protocol (7 seeds, Wilcoxon signed-rank test, Cohen's d) evaluates the results. The DQN agent achieves a 6.8% relative improvement in charge rate and a 5.4% increase in delivered energy over the Adaptive Heuristic under Evening Peak demand ($p = 0.016$, Cohen's $d = 0.99$ and $1.51$), while showing no advantage in waiting time; on the second network the heuristic leads on waiting time, so the ranking is not stable across geographies. A scalability analysis shows linear state-space growth with station count and sub-millisecond inference; all runs include intermittent station outages under a Markov failure process.
• Abstract（参考訳）: 都市環境における電気自動車(EV)の急速な成長は、厳格なリアルタイム制約の下で機能するインテリジェントで分散化された充電管理戦略を必要とする。 本稿では,各EVがライトウェイトなMQTTパブリッシュ-サブスクライブバックボーン上で共有トレーニングされたDeep Q-Network(DQN)ポリシーをクエリすることで,充電ステーション(CS)を選択するエッジインテリジェントアーキテクチャを提案する。 報告されたシミュレーションは、TraCIを通して観測される間、MQTT for KPIテレメトリを用いて、各車両の1回のSUMOランでの観測に順次、共有DQNポリシーが適用されることを評価した。 このシステムはOpenStreetMap(モロッコのRabat Agdal-Hay RiadとTangier)の2つの現実世界の道路網で評価されている。 3つの交通需要プロファイル(朝、昼、夕方のピーク)をシミュレートし、アダプティブ・ヒューリスティック(Adaptive Heuristic)、タブラルQラーニングエージェント(Tabular Q-Learning agent)、提案されたDQNエージェント(DQN agent)、ダブルDQN(Double DQNvariant)の4つの決定ポリシーを比較する。 多種統計プロトコル (7シード、ウィルコクソン符号ランク試験、コーエンd) が結果を評価する。 DQNのエージェントは、チャージレートの6.8%の相対的な改善と、Evening Peakの需要下での適応的ヒューリスティック(p = 0.016$, Cohen's $d = 0.99$, $1.51$)に対する配電エネルギーの5.4%の増加を達成すると同時に、待ち時間に差がない。 拡張性解析では、ステーション数とサブミリ秒の推論による線形状態空間の増大が示され、すべてマルコフ故障過程における間欠的なステーション停止を含む。

関連論文リスト

• Cooperative EV Charging Assignment Using Multi-Agent Reinforcement Learning: A Comparison of QMIX and Independent Q-Learning Under Urban Traffic Uncertainty [0.0]
  1つのステーションで防御可能な受け入れ/拒絶判定は、それでも充電地区全体の効率を低下させる可能性がある。 分散部分観測可能決定プロセス(Dec-POMDP)としてこの運用問題を定式化する。 我々は、分散実行によるトレーニングが、QMIXを介してインスタンス化され、協調的な独立Q-Learningベースライン(IQL)に対する割り当て性能を向上させるかどうかを検討する。 これらの知見は, マルチステーション帯電代行においては, 協調条件によってのみ追加されるのではなく, 学習アーキテクチャにコーディネーションを組み込まなければならないという見解を支持している。
  論文  参考訳（メタデータ） (2026-10-27T23:08:13Z)
• Quantum-Inspired Reinforcement Learning for Low-Latency Intrusion Detection in V2X and Internet-of-Vehicles Networks [0.5098144539782359]
  本稿では,次世代の自律型サイバー防御のための量子インスパイアされた強化学習フレームワークQIRLを提案する。 QIRLは、振幅相量子状態の符号化、回転ゲートに基づく探索、および量子干渉報酬の増大を、コストに敏感なマルコフ決定プロセスの定式化と組み合わせている。 サンプルあたり32.5マイクロ秒と45.7マイクロ秒の超低速で、アンサンブルベースラインの67.77倍、51.77倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-06-05T19:33:15Z)
• Semi-Markov Reinforcement Learning for City-Scale EV Ride-Hailing with Feasibility-Guaranteed Actions [4.2221164216280025]
  我々は、送電、再配置、充電決定を行う電気自動車配車車両の都市規模制御について、充電器と給電器の制限を尊重しなければならない。 ヘックスグリッド半マルコフ決定過程 (semi-MDP) を混合作用で定式化する。 我々のアーキテクチャは、二層グラフ畳み込みネットワーク(GCN)エンコーダ、ツイン批評家、および敵を駆動するバリューネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2026-04-28T16:54:03Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks [50.91365514137301]
  宇宙空間量子(SPARQ)ネットワークは、シームレスなオンデマンドの絡み合い分布を提供する手段として開発された。 SPARQの複数のグラフ上でディープQネットワーク(DQN)を用いて深層強化学習フレームワークを提案し,訓練した。 通信相手間の絡み合いを確立するために,サードパーティの絡み合い分散政策を提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:31:37Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• An electric vehicle charging station access equilibrium model with M/D/C queueing [0.0]
  本稿では,M/D/Cキュー近似を非微分非線形プログラムとして用いたEV-to-charging station user equilibrium (UE)割り当てモデルを提案する。 このモデルは、2020年7月8日時点のニューヨーク市全体行政サービス(NYC DCAS)およびEV充電ステーションの構成に関する大規模なケーススタディに適用される。 その結果,高い待ち待ち時間ではなく,高い利用率の場所の選択に基づくポリシが示唆された。
  論文  参考訳（メタデータ） (2021-02-11T05:23:36Z)
• Decentralized Deep Reinforcement Learning for Network Level Traffic Signal Control [0.8838408191955874]
  本稿では,交通信号制御における高速かつリアルタイムな性能を実現するために,完全分散型深層マルチエージェント強化学習(MARL)アルゴリズムのファミリーを提案する。 各交差点は、他の交差点ノードに対してマルコフゲームを行うエージェントとしてモデル化される。 実験結果から,S2R2Lはトレーニング過程において,IDQLやS2RLよりも高速に収束し,収束性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2020-07-02T06:58:27Z)

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。