理解并转变对电池电动汽车的偏好
信息检索
2022-02-21 v1 人工智能
机器学习
摘要
为个体识别个性化干预是一项重要任务。近期研究表明，不考虑消费者人口统计背景的干预实际上可能产生反向效果，强化对电动汽车的反对。本文关注基于个体人口统计特征个性化干预的方法，以将消费者偏好转变为对电池电动汽车（Battery Electric Vehicles, BEVs）更积极的态度。构建建议偏好转变干预的模型时，一个约束是每项干预会影响后续干预的有效性。这转而需要大量受试者评估每种可能干预的有效性。为此，我们提出识别影响 BEV 采用的个性化因素，如障碍与动机。我们提出预测这些因素的方法，并展示其性能优于始终预测最频繁因素。随后我们提出一个强化学习（Reinforcement Learning, RL）模型以学习最有效干预，并比较各方法所需受试者数量。
引用
@article{arxiv.2202.08963,
title = {Understanding and Shifting Preferences for Battery Electric Vehicles},
author = {Nikos Arechiga and Francine Chen and Rumen Iliev and Emily Sumner and Scott Carter and Alex Filipowicz and Nayeli Bravo and Monica Van and Kate Glazko and Kalani Murakami and Laurent Denoue and Candice Hogan and Katharine Sieck and Charlene Wu and Kent Lyons},
journal= {arXiv preprint arXiv:2202.08963},
year = {2022}
}
备注
5 pages, 5 figures