耦合用户偏好与外部奖励以实现以驾驶员为中心且资源感知的电动汽车充电推荐
机器学习
2022-10-25 v1 人工智能
人机交互
信息检索
摘要
既能兼顾用户偏好又能适应不断变化外部环境的电动汽车（EV）充电推荐，作为一种缓解私人 EV 驾驶员里程焦虑的高性价比策略而出现。以往研究聚焦于集中式策略以实现优化资源分配，对隐私不敏感的出租车队与固定线路公共交通尤为有用。然而，私人 EV 驾驶员寻求更个性化且资源感知的充电推荐，既量身定制以适应用户偏好（何时何地充电），又充分适应充电供需的时空错配。本文提出一种新颖的正则化 Actor-Critic（RAC）充电推荐方法，使每位 EV 驾驶员能在用户偏好（历史充电模式）与外部奖励（行驶距离与等待时间）间取得最优平衡。在两个真实数据集上的实验结果证明了该方法相较对比方法的独特优势与优越性能。
引用
@article{arxiv.2210.12693,
title = {Coupling User Preference with External Rewards to Enable Driver-centered and Resource-aware EV Charging Recommendation},
author = {Chengyin Li and Zheng Dong and Nathan Fisher and Dongxiao Zhu},
journal= {arXiv preprint arXiv:2210.12693},
year = {2022}
}
备注
16 pages, 5 figures. To appear in the Proceedings of European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD 2022)