基于元深强化学习的自动电动出租车 fleet 在演化充电基础设施下的少样学习
机器学习
2026-01-30 v1
摘要
随着电动vehicle(EV)和充电基础设施的快速扩张，有效管理具有挑战性的自动电动出租车(AET)fleet 在充电可用性动态不确定的环境中面临关键挑战。虽然大多数现有研究假设充电网络为静态，但这种简化在理论模型与实际运营之间存在显著鸿沟。为弥合这一差距，本文提出GAT-PEARL，一种 novel 的元强化学习框架，用于学习自适应运营策略。该方法整合图注意力网络(GAT)有效提取在基础设施布局下稳健的空间表征，建模城市环境的复杂时空关系，并采用概率嵌入用于 actor-critic强化学习(PEARL)，以在无需重新训练的情况下快速适应充电网络布局的变化。在针对中国成都真实数据的大规模仿真中，我们展示GAT-PEARL 在常规强化学习基线上显著优于现有方法，在动态环境下对未见基础设施布局具有更好的泛化能力，并实现更高的整体运营效率。
引用
@article{arxiv.2601.21312,
title = {Few-Shot Learning for Dynamic Operations of Automated Electric Taxi Fleets under Evolving Charging Infrastructure: A Meta-Deep Reinforcement Learning Approach},
author = {Xiaozhuang Li and Xindi Tang and Fang He},
journal= {arXiv preprint arXiv:2601.21312},
year = {2026}
}