扩展型共享电动出行系统的车队再平衡：一种多智能体深度强化学习方法
机器学习
2024-09-21 v1 人工智能
系统与控制
系统与控制
摘要
共享出行的电气化已在全球范围内流行。许多城市部署了新的共享电动出行系统，其覆盖范围正从中心区域持续扩展至城市边缘。这些系统运营中的关键挑战是车队再平衡，即应如何重新定位电动汽车（EV）以更好地满足未来需求。在系统扩展背景下这尤其具有挑战性，因为 i) EV 的续航有限且充电时间通常较长，这制约了可行的再平衡操作；ii) 系统中的 EV 站点动态变化，即再平衡操作的合法目标可随时间改变。我们通过首先考察从真实世界共享电动出行系统收集的一年丰富数据，分析此新出行模式的运营模型、使用模式与扩展动态来应对这些挑战。借助所学知识我们设计了一个高保真仿真器，能够以细粒度抽象 EV 共享的关键运营细节。随后我们将持续扩展下共享电动出行系统的再平衡任务建模为多智能体强化学习（MARL）问题，其直接考虑 EV 的续航与充电特性。我们进一步提出一种带动作级联的新颖策略优化方法，能够应对扩展动态并求解所表述的 MARL。我们广泛评估了所提方法，实验结果表明我们的方法优于当前最优（state-of-the-art），在满意需求与净收益上均带来显著性能提升。
引用
@article{arxiv.2211.06136,
title = {Fleet Rebalancing for Expanding Shared e-Mobility Systems: A Multi-agent Deep Reinforcement Learning Approach},
author = {Man Luo and Bowen Du and Wenzhe Zhang and Tianyou Song and Kun Li and Hongming Zhu and Mark Birkin and Hongkai Wen},
journal= {arXiv preprint arXiv:2211.06136},
year = {2024}
}