論文の概要: Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks

• arxiv url: http://arxiv.org/abs/2106.04986v1
• Date: Wed, 9 Jun 2021 11:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 14:56:31.550038
• Title: Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks
• Title（参考訳）: 混合LSTMニューラルネットワークを用いた多段階電気自動車充電ステーション稼働予測
• Authors: Tai-Yu Ma and S\'ebastien Faye
• Abstract要約: 本稿では,従来の帯電状態列と時間的特徴を併用した長期記憶ニューラルネットを提案する。 このモデルは、イギリスのダンディーのオープンデータポータルから得られたEV充電データに基づいて、最先端の機械学習とディープラーニングのアプローチと比較される。 その結果,提案手法は1ステップ(10分)で99.99%,81.87%の精度で1ステップ(10分)先進6ステップ(1時間)の精度で予測し,ベンチマーク手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 1.3706331473063877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public charging station occupancy prediction plays key importance in developing a smart charging strategy to reduce electric vehicle (EV) operator and user inconvenience. However, existing studies are mainly based on conventional econometric or time series methodologies with limited accuracy. We propose a new mixed long short-term memory neural network incorporating both historical charging state sequences and time-related features for multistep discrete charging occupancy state prediction. Unlike the existing LSTM networks, the proposed model separates different types of features and handles them differently with mixed neural network architecture. The model is compared to a number of state-of-the-art machine learning and deep learning approaches based on the EV charging data obtained from the open data portal of the city of Dundee, UK. The results show that the proposed method produces very accurate predictions (99.99% and 81.87% for 1 step (10 minutes) and 6 step (1 hour) ahead, respectively, and outperforms the benchmark approaches significantly (+22.4% for one-step-ahead prediction and +6.2% for 6 steps ahead). A sensitivity analysis is conducted to evaluate the impact of the model parameters on prediction accuracy.
• Abstract（参考訳）: 公共充電ステーションの占有率予測は、電気自動車(ev)オペレーターとユーザの不便を減らすスマート充電戦略を開発する上で重要な役割を果たす。 しかし、既存の研究は主に精度の低い従来の計量的手法や時系列法に基づいている。 本稿では,複数ステップの離散的な充電状態予測のための履歴充電状態シーケンスと時間関連特徴を併用した,新しい混合短期記憶ニューラルネットワークを提案する。 既存のLSTMネットワークとは異なり、提案モデルは異なるタイプの特徴を分離し、混合ニューラルネットワークアーキテクチャで異なる処理を行う。 このモデルは、イギリスのダンディー市のオープンデータポータルから得られたEV充電データに基づいて、最先端の機械学習とディープラーニングのアプローチと比較される。 その結果,提案手法は1ステップ (10分) に対して99.99%, 81.87%, 前方で6ステップ (1時間) の予測を精度良く行い, ベンチマーク手法を有意に上回った(1ステップ予測では+22.4%, 前方では+6.2%)。 モデルパラメータが予測精度に与える影響を評価するために感度解析を行う。

関連論文リスト

• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Confidence-Nets: A Step Towards better Prediction Intervals for regression Neural Networks on small datasets [0.0]
  そこで本研究では,予測の不確かさを推定し,精度を向上し,予測変動の間隔を与えるアンサンブル手法を提案する。 提案手法は様々なデータセットで検証され,ニューラルネットワークモデルの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2022-10-31T06:38:40Z)
• GATraj: A Graph- and Attention-based Multi-Agent Trajectory Prediction Model [18.762609012554147]
  軌道予測は、自律運転やロボットナビゲーションといったインテリジェントシステムにおいて、長年にわたって問題となっていた。 本稿では,予測精度と推定速度のバランスが良好であるGATrajという注目グラフモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:29:19Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards Generic Autonomous Vehicle Use Cases [10.41902340952981]
  本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。 提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
  論文  参考訳（メタデータ） (2020-11-23T03:13:26Z)
• Estimating State of Charge for xEV batteries using 1D Convolutional Neural Networks and Transfer Learning [0.4129225533930966]
  電気自動車における1次元畳み込みニューラルネットワーク(CNN)に基づく電荷推定アルゴリズムを提案する。 異なる種類の雑音がCNNモデルの推定能力に与える影響について検討した。 提案手法は,推定精度,学習速度,一般化能力の点で良好である。
  論文  参考訳（メタデータ） (2020-11-02T09:27:03Z)
• Training independent subnetworks for robust prediction [47.81111607870936]
  一つのモデルの前方通過の下で、複数の予測を使用することの利点を無償で実現できることを示す。 CIFAR10, CIFAR100, ImageNet, およびそれらのアウト・オブ・ディストリビューション変種に対する負のログ類似度, 精度, 校正誤差の大幅な改善を観察した。
  論文  参考訳（メタデータ） (2020-10-13T18:05:13Z)

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。