論文の概要: Short-term forecast of EV charging stations occupancy probability using big data streaming analysis

• arxiv url: http://arxiv.org/abs/2104.12503v1
• Date: Mon, 26 Apr 2021 12:03:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 21:47:18.957950
• Title: Short-term forecast of EV charging stations occupancy probability using big data streaming analysis
• Title（参考訳）: ビッグデータストリーミング分析によるEV充電ステーション占有確率の短期予測
• Authors: Francesca Soldan, Enea Bionda, Giuseppe Mauri, Silvia Celaschi
• Abstract要約: 本稿では,充電インフラからのデータストリームを処理可能なアーキテクチャを提案する。 最終目標は、現在から数分後に充電ステーションの可利用性を予測することである。 ストリーミングモデルは、履歴データのみを使用してトレーニングされたモデルよりもパフォーマンスがよい。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread diffusion of electric mobility requires a contextual expansion of the charging infrastructure. An extended collection and processing of information regarding charging of electric vehicles may turn each electric vehicle charging station into a valuable source of streaming data. Charging point operators may profit from all these data for optimizing their operation and planning activities. In such a scenario, big data and machine learning techniques would allow valorizing real-time data coming from electric vehicle charging stations. This paper presents an architecture able to deal with data streams from a charging infrastructure, with the final aim to forecast electric charging station availability after a set amount of minutes from present time. Both batch data regarding past charges and real-time data streams are used to train a streaming logistic regression model, to take into account recurrent past situations and unexpected actual events. The streaming model performs better than a model trained only using historical data. The results highlight the importance of constantly updating the predictive model parameters in order to adapt to changing conditions and always provide accurate forecasts.
• Abstract（参考訳）: 電気移動の広範な普及は、充電インフラストラクチャのコンテキスト拡張を必要とする。 電気自動車の充電に関する情報の収集と処理は、各電気自動車充電ステーションを貴重なストリーミングデータソースにすることができる。 チャージポイントオペレータは、運用と計画アクティビティを最適化するために、これらすべてのデータから利益を得ることができる。 このようなシナリオでは、ビッグデータと機械学習技術により、電気自動車充電ステーションからのリアルタイムデータの評価が可能になる。 本稿では、現在から数分後に充電ステーションの可利用性を予測することを目的として、充電インフラからのデータストリームを処理可能なアーキテクチャを提案する。 過去の課金に関するバッチデータとリアルタイムデータストリームの両方を使用して、ストリーミングロジスティック回帰モデルをトレーニングし、過去の状況と予期しない実際のイベントを考慮に入れます。 ストリーミングモデルは、履歴データのみを使用してトレーニングされたモデルよりもパフォーマンスがよい。 その結果,変化条件に適応し,常に正確な予測を行うために,予測モデルパラメータを常に更新することの重要性を強調した。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Location based Probabilistic Load Forecasting of EV Charging Sites: Deep Transfer Learning with Multi-Quantile Temporal Convolutional Network [1.49199020343864]
  本稿では,多成分時間畳み込みネットワーク(MQ-TCN)を用いたEV充電サイトの位置に基づく負荷予測について述べる。 多様なEVユーザタイプを持つ4つの充電所(Caltech, JPL, Office-1, NREL)のデータについて実験を行った。 提案した MQ-TCN モデルでは,JPL 充電現場での日頭負荷予測において,XGBoost モデルよりも28.93% 向上した。
  論文  参考訳（メタデータ） (2024-09-18T10:34:48Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
  過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。 我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
  論文  参考訳（メタデータ） (2024-03-20T02:17:16Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Defining a synthetic data generator for realistic electric vehicle charging sessions [6.37470346908743]
  電気自動車(EV)充電ステーションは、近年電力網で顕著になっている。 しかし、そのようなEVセッションデータの可用性の制限は、これらの分野でのさらなる発展を妨げる。 我々はEV充電セッションのための合成データ生成装置を開発した。
  論文  参考訳（メタデータ） (2022-02-28T11:18:40Z)
• Deep Information Fusion for Electric Vehicle Charging Station Occupancy Forecasting [0.966840768820136]
  本稿では,DFDS(Deep Fusion of Dynamic and Static Information Model)を紹介する。 我々は、特定の充電ステーションパターンを学習するために、日中の平均占有状況などの静的情報を利用する。 我々のモデルは動的および静的な情報を効率的に融合し、正確な予測を容易にする。
  論文  参考訳（メタデータ） (2021-08-27T15:30:45Z)
• Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand [19.155018449068645]
  電気自動車は、上昇傾向を逆転させる低炭素排出ソリューションを提供することができる。 この要件を満たすためには、充電需要の正確な予測が不可欠である。 我々は,電気自動車の充電需要を予測するために,公開データを利用することを提案する。
  論文  参考訳（メタデータ） (2021-06-21T09:20:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。