MétaCan
Menu
Retour à la cohorte
Enregistrement W4280650648 · doi:10.18280/jesa.550215

Joint Scheduling of Charging and Service Operation of Electric Taxi Based on Reinforcement Learning

2022· article· en· W4280650648 sur OpenAlexvenueno aff
Chen Zhu, Fuchun Jiang, Yuliang Tang

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesXiamen UniversityXiamen University of Technology
Mots-clésTaxisScheduling (production processes)Reinforcement learningComputer scienceCharging stationElectricityGridComputer networkReal-time computingElectric vehicleAutomotive engineeringTransport engineeringEngineeringPower (physics)Electrical engineeringOperations management

Résumé

récupéré en direct d'OpenAlex

Since the high daily power consumption, electric taxis require frequently recharging. Affected by the step tariff and shifting of duty, congestion often occurs during peak hours at charging stations, which seriously affects the normal operation of the traffic and electricity grid. This paper proposes a joint management architecture that integrates the service operation of e-taxis and charging networks. Aiming at minimizing drivers' charging overhead, a scheduling scheme that combines taxi service operation scheduling with charging planning is designed based on reinforcement learning method. The low battery e-taxi is arranged to pick up the passenger whose destination is close to an appropriate charging station. Simulation results show that the proposed scheme can effectively reduce drivers' charging overhead by shortening deadhead kilometers and waiting time at charging station.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,423

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,226
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetTransportation and Mobility InnovationsTravaux en français237 207