CoordiQ：面向电动汽车充电推荐的协调 Q-learning 方法
机器学习
2021-02-02 v1 人工智能
多智能体系统
系统与控制
系统与控制
摘要
电动汽车的使用量迅速增长，但充电站并不总是能跟上需求，因此将车辆高效路由至充电站对于实现最大运行效率至关重要。决定向驾驶员推荐哪些充电站是一个复杂问题，存在大量可能推荐、易变的使用模式以及推荐带来的时序延伸后果。强化学习为解决序贯决策问题提供了强大范式，但传统方法可能因动作数量庞大而面临样本效率困境。通过开发一种允许对动作进行复杂表示的模型，我们在仿真中与现有基线相比将系统用户的结果改善了 30% 以上。若广泛部署，这些更优的推荐每年可在全球节省超过 400 万人工小时的等待与驾驶时间。
引用
@article{arxiv.2102.00847,
title = {CoordiQ : Coordinated Q-learning for Electric Vehicle Charging Recommendation},
author = {Carter Blum and Hao Liu and Hui Xiong},
journal= {arXiv preprint arXiv:2102.00847},
year = {2021}
}