論文の概要: Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach
- arxiv url: http://arxiv.org/abs/2106.06475v1
- Date: Fri, 11 Jun 2021 15:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 17:26:09.357452
- Title: Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach
- Title(参考訳): データ駆動型アプローチによる電気自動車の走行・帯電挙動の解析
- Authors: Sina Baghali, Samiul Hasan, Zhaomiao Guo
- Abstract要約: 電気自動車(EV)は電力システムにかなりの電力需要をもたらす可能性がある。
本プロジェクトでは,全国住宅ホルドサーベイ(NHTS)データを用いて旅行の順序を定めている。
我々は、旅行開始時間、終了時間、距離など、ドライバーの次の旅行のパラメータを予測する機械学習モデルを開発する。
- 参考スコア(独自算出の注目度): 1.7403133838762446
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The increasing market penetration of electric vehicles (EVs) may pose
significant electricity demand on power systems. This electricity demand is
affected by the inherent uncertainties of EVs' travel behavior that makes
forecasting the daily charging demand (CD) very challenging. In this project,
we use the National House Hold Survey (NHTS) data to form sequences of trips,
and develop machine learning models to predict the parameters of the next trip
of the drivers, including trip start time, end time, and distance. These
parameters are later used to model the temporal charging behavior of EVs. The
simulation results show that the proposed modeling can effectively estimate the
daily CD pattern based on travel behavior of EVs, and simple machine learning
techniques can forecast the travel parameters with acceptable accuracy.
- Abstract(参考訳): 電気自動車(ev)の市場浸透の増加は、電力システムに大きな電力需要をもたらす可能性がある。
この電力需要は、毎日の充電需要(CD)の予測を非常に困難にするEVの走行行動の不確実性の影響を受けている。
このプロジェクトでは,National House Hold Survey (NHTS)データを用いて旅行のシーケンスを作成し,旅行開始時間,終了時間,距離などの次の旅行のパラメータを予測する機械学習モデルを開発する。
これらのパラメータは後にevの時間帯電挙動のモデル化に使用される。
シミュレーションの結果,提案手法は,EVの走行行動に基づく日々のCDパターンを効果的に推定し,単純な機械学習手法で走行パラメータを許容精度で予測できることが示唆された。
関連論文リスト
- RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - A physics-informed and attention-based graph learning approach for
regional electric vehicle charging demand prediction [7.441576351434805]
本稿では,特徴抽出のためのグラフと時間的注意機構の統合を実現する新しい手法を提案する。
中国深センの18,013台のEV充電杭のデータセットによる評価結果から,提案手法はPAGと呼ばれ,最先端の予測性能を達成可能であることが示された。
論文 参考訳(メタデータ) (2023-09-11T06:31:45Z) - Data-Driven Probabilistic Energy Consumption Estimation for Battery
Electric Vehicles with Model Uncertainty [1.0787390511207684]
本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。
モデル不確実性をニューラルネットワークに組み込むことで、モンテカルロを用いたニューラルネットワークのアンサンブルを作成しました。
提案手法は, 平均絶対誤差9.3%を達成し, 既存のEVエネルギー消費モデルよりも精度が高い。
論文 参考訳(メタデータ) (2023-07-02T04:30:20Z) - Forecasting Electric Vehicle Charging Station Occupancy: Smarter
Mobility Data Challenge [0.0]
Smarter Mobility Data Challengeは、EV充電ステーションの占有率を予測する予測モデルの開発に注力している。
この課題は、2020年から2021年の間に4つの地理的領域にわたる91の充電ステーションのデータセットを分析した。
その結果、EV充電ステーションの占有率を正確に予測するための階層的予測手法の可能性が浮き彫りになった。
論文 参考訳(メタデータ) (2023-06-09T07:22:18Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳(メタデータ) (2022-10-04T08:22:46Z) - 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) - Investigating the Spatiotemporal Charging Demand and Travel Behavior of
Electric Vehicles Using GPS Data: A Machine Learning Approach [1.160208922584163]
電気自動車(EV)は運転者の走行行動を変え、電力システムにかなりの電力需要をもたらす可能性がある。
電力需要はEVの走行行動に依存するため、日々の充電需要(CD)の予測は難しい課題となる。
本稿では,同市からのEVおよび従来のガソリン自動車のGPSデータを用いて,運転者の走行行動の変化について検討する。
論文 参考訳(メタデータ) (2022-02-28T23:11:30Z) - TransFollower: Long-Sequence Car-Following Trajectory Prediction through
Transformer [44.93030718234555]
本研究では,アテンションベーストランスフォーマーモデルに基づく自動車追従軌道予測モデルを提案する。
上海博物学運転研究会(SH-NDS)から抽出した実世界112,597台の乗用車追跡イベントを用いて、我々のモデルを訓練・試験する。
論文 参考訳(メタデータ) (2022-02-04T07:59:22Z) - A Deep Learning Approach for Macroscopic Energy Consumption Prediction
with Microscopic Quality for Electric Vehicles [0.0]
本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。
エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。
このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
論文 参考訳(メタデータ) (2021-11-25T01:20:32Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳(メタデータ) (2021-09-03T13:33:33Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳(メタデータ) (2021-02-16T16:56:27Z)
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。