Mar, 2024

面向用户的共享电动出行服务的开源仿真平台的最佳设计与实现

PDF
TL;DR为了解决全球逐渐增加的交通排放和污染等挑战，共享电动出行服务（包括电动汽车、电动自行车和电动滑板车）已成为受欢迎的策略。然而，现有的共享电动出行服务存在重要的设计缺陷，包括服务集成不足、能源消耗预测不准确、可扩展性和地理覆盖有限，以及缺乏以用户为中心的视角，尤其是在多模式交通的背景下。更重要的是，目前没有一个统一的开源框架可以造福于电动出行研究界。本文旨在填补这一空白，提供一个开创性的共享电动出行开源框架。该提出的框架采用了代理人参与和模块化架构的方法，可以根据用户的偏好进行定制。我们通过使用改进的蚁群算法解决了一个综合多模式路线优化问题，从而证明了该框架的可行性。这项工作的主要贡献是提供一个协作透明的框架，以统一的方式应对电动出行研究领域的动态挑战。
shared electric mobility servicese-mobility researchopen-source frameworkmulti-modal transportationroute-optimization
发现论文，激发创造
  • 一个面向按需乘车服务运营的多功能仿真平台

    本论文提出了一个新的多功能、开源的共享出行仿真平台，用于模拟各种代理在真实交通网络上的行为和移动，为用户提供训练和测试各种优化算法的几个可访问门户，特别是强化学习算法，包括按需匹配、闲置车辆重定位和动态定价等各种任务。该平台能够有效地测试理论模型与模拟结果的拟合程度，并在实验中取得了较好的效果。

    Mar, 2023

  • 使用开放数据集进行电动微移动能耗建模的数据驱动方法

    城市交通拥堵和环境恶化所带来的挑战凸显了认可电动出行解决方案在城市空间中的关键性。特别是，电动滑板车和电动自行车等微型电动工具在此过渡过程中起着关键作用，为城市通勤者提供可持续的替代选择。然而，这些工具的能源消耗模式是影响其在真实环境中有效性的重要因素，对于行程规划和增加用户对其使用的信心至关重要。为了填补这一差距，我们的研究提供了一个开放数据集，该数据集在爱尔兰都柏林收集，专门用于与电动滑板车和电动自行车相关的能源建模研究。此外，我们使用一组代表性的机器学习算法对数据集进行详细分析，并将其性能与基准数学模型进行比较，结果表明数据驱动模型在估计能源消耗方面明显优于相应的数学模型，对于电动自行车和电动滑板车，根据对数据集的深入分析，数据驱动模型在准确性上优于物理模型，分别达到 83.83% 和 82.16%。

    Mar, 2024

  • 共享交通工具系统中的定价与优化：一种近似框架

    提出了一种基于凸松弛的近似框架，用于对共享车辆系统进行建模和优化，通过分析此近似框架的性质，得出了计算复杂度更低的解决方案并提供实际操作洞见，实现了对共享车辆系统的有效控制与管理。

    Aug, 2016

  • e-Uber：电动汽车乘车和能源共享的众包平台

    通过运用增长中的电动汽车资源， e-Uber 平台结合使用 V2G 和 BST 技术在空间众包环境下通过强化学习和反向拍卖理论为司机提供个性化的任务推荐，实现了共享乘车和能源交易，我们证明了任务分配优化问题是 NP 难的，引入了双分图匹配启发式算法 BMW 来解决该问题。

    Mar, 2023

  • 拓展共享电动交通系统的车队再平衡：一种多智能体深度强化学习方法

    本文分析了真实的共享电动出行系统的运营模式、使用模式及扩张动态，并以此为基础，利用多智能体强化学习建立了一个高保真度的电动出行共享仿真器，在此基础上提出了一种新的基于动态优化的级联策略的解法，显著提高了系统对于未来需求的满足度和增加收益。

    Nov, 2022

  • 在线顺风车市场的优化框架

    本研究探讨了在供需不平衡条件下，改进出租车和产品送货服务的匹配效率的一般性框架，提出了可适用于双边市场的高度通用的模型，并提出了有效的在线和离线算法。

    Dec, 2016

  • 基于图强化学习的电动自主移动出行需求系统的实时控制

    通过基于强化学习的图神经网络框架解决运营商在实时决策中遇到的电动自主出行需求匹配、空闲车辆再平衡和充电范围保证等问题，以提高可扩展性、性能和运行效率。

    Nov, 2023

  • 电动出行服务中 AI 算法在能源管理方面的综述

    电动出行解决方案的关键是能源管理，本文通过分析现有文献探讨了人工智能在解决电动出行领域的各种挑战中的潜力，并提出了未来研究的有效途径，以推动可持续和高效的电动出行解决方案的发展。

    Sep, 2023

  • 电动汽车节能导航在线学习框架

    该研究使用贝叶斯方法建模道路片段的能量消耗，开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略，将在线学习框架扩展到多车自适应导航。最后，使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。

    Mar, 2020

  • 自主按需出行系统的稳健电动车平衡：一种多智能体强化学习方法

    设计一种基于多智能体强化学习 (MARL) 的框架用于解决电动自主车辆 (EAVs) 在经济与社会方面带来的挑战，通过建模供给和需求的不确定性来平衡整个城市的供求比率和充电利用率。

    Jul, 2023