An Incentive-Compatible Combinatorial Auction Design for Charging Network Scheduling of Battery Electric Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Charging network scheduling for battery electric vehicles is a challenging research issue on deciding where and when to activate users’ charging under the constraints imposed by their time availability and energy demands, as well as the limited available capacities provided by the charging stations. Moreover, users’ strategic behaviors and untruthful revelation on their real preferences on charging schedules pose additional challenges to efficiently coordinate their charging in a market setting, where users are reasonably modelled as self-interested agents who strive to maximize their own utilities rather than the system-wide efficiency. To tackle these challenges, we propose an incentive-compatible combinatorial auction for charging network scheduling in a decentralized environment. In such a structured framework, users can bid for their preferred destination and charging time at different stations, and the scheduling specific problem solving structure is also embedded into the winner determination model to coordinate the charging at multiple stations. The objective is to maximize the social welfare across all users which is represented by their total values of scheduled finishing time. The Vickrey–Clarke–Groves payment rule is adopted to incentivize users to truthfully disclose their true preferences as a weakly dominant strategy. Moreover, the proposed auction is proved to be individually rational and weakly budget balanced through an extensive game-theoretical analysis. We also present a case study to demonstrate its applicability to real-world charging reservation scenarios using the charging network data from Manhattan, New York City.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle