Bookbot

Deep Reinforcement Learning zur Steigerung von Energieeffizienz und Pünktlichkeit von Straßenbahnen

Zapisz

Parametry

  • 280 stron
  • 10 godzin czytania

Więcej o książce

Diese Arbeit untersucht, wie die Energieeffizienz und Pünktlichkeit von Straßenbahnen durch den Einsatz von KI gesteigert werden können. Auf zwei Szenarien wird die KI zu je drei Verkehrszeiten trainiert. Die ermittelten Fahrprofile werden mit denen von Fahrern aus dem regulären Fahrgastbetrieb sowie mit einem durch Dynamic Programming ermittelten theoretischen Optimum verglichen. Darüber hinaus werden Transferlernfähigkeiten der KI untersucht. This work investigates how the energy efficiency and punctuality of streetcars can be increased by using AI. The AI is trained on two scenarios at three traffic times each. The determined driving profiles are compared with those of drivers from regular passenger operation as well as with a theoretical optimum determined by Dynamic Programming. In addition, transfer learning capabilities of the AI will be investigated.

Zakup książki

Deep Reinforcement Learning zur Steigerung von Energieeffizienz und Pünktlichkeit von Straßenbahnen, Markus Tesar

Język
Rok wydania
2023
Oprawa
(miękka)
Jak tylko się pojawi, wyślemy Ci wiadomość e-mail.

Metody płatności

Nikt jeszcze nie ocenił.Oceń

Tytuł
Deep Reinforcement Learning zur Steigerung von Energieeffizienz und Pünktlichkeit von Straßenbahnen
Język
niemiecki
Oprawa
miękka
Liczba stron
280
ISBN13
9783731512776
Seria
Tagi
Opis
Diese Arbeit untersucht, wie die Energieeffizienz und Pünktlichkeit von Straßenbahnen durch den Einsatz von KI gesteigert werden können. Auf zwei Szenarien wird die KI zu je drei Verkehrszeiten trainiert. Die ermittelten Fahrprofile werden mit denen von Fahrern aus dem regulären Fahrgastbetrieb sowie mit einem durch Dynamic Programming ermittelten theoretischen Optimum verglichen. Darüber hinaus werden Transferlernfähigkeiten der KI untersucht. This work investigates how the energy efficiency and punctuality of streetcars can be increased by using AI. The AI is trained on two scenarios at three traffic times each. The determined driving profiles are compared with those of drivers from regular passenger operation as well as with a theoretical optimum determined by Dynamic Programming. In addition, transfer learning capabilities of the AI will be investigated.