論文の概要: Deep Information Fusion for Electric Vehicle Charging Station Occupancy Forecasting

• arxiv url: http://arxiv.org/abs/2108.12352v1
• Date: Fri, 27 Aug 2021 15:30:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:08:35.084128
• Title: Deep Information Fusion for Electric Vehicle Charging Station Occupancy Forecasting
• Title（参考訳）: 電気自動車充電ステーション稼働予測のための深部情報融合
• Authors: Ashutosh Sao, Nicolas Tempelmeier, Elena Demidova
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With an increasing number of electric vehicles, the accurate forecasting of charging station occupation is crucial to enable reliable vehicle charging. This paper introduces a novel Deep Fusion of Dynamic and Static Information model (DFDS) to effectively forecast the charging station occupation. We exploit static information, such as the mean occupation concerning the time of day, to learn the specific charging station patterns. We supplement such static data with dynamic information reflecting the preceding charging station occupation and temporal information such as daytime and weekday. Our model efficiently fuses dynamic and static information to facilitate accurate forecasting. We evaluate the proposed model on a real-world dataset containing 593 charging stations in Germany, covering August 2020 to December 2020. Our experiments demonstrate that DFDS outperforms the baselines by 3.45 percent points in F1-score on average.
• Abstract（参考訳）: 電気自動車の増加に伴い、充電ステーションの占有率の正確な予測は、信頼性の高い車両充電を可能にするために不可欠である。 本稿では、充電ステーションの占有率を効果的に予測する新しいDep Fusion of Dynamic and Static Information Model(DFDS)を提案する。 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。 このような静的データを,前回の充電ステーションの占有状況や日時や平日などの時間情報を反映した動的情報で補足する。 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。 我々は、2020年8月から2020年12月にかけて、ドイツで593の充電ステーションを含む実世界のデータセットで提案モデルを評価する。 実験の結果,DFDSはF1スコア平均で3.45ポイント向上した。

関連論文リスト

• 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)
• 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)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• 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)
• 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)
• 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)
• 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)
• Neighbor-Based Optimized Logistic Regression Machine Learning Model For Electric Vehicle Occupancy Detection [0.0]
  このモデルは、カリフォルニア大学サンディエゴ校キャンパスの57台のEV充電ステーションのデータに基づいて訓練された。 このモデルは88.43%の平均精度と92.23%の最大精度を達成した。
  論文  参考訳（メタデータ） (2022-04-28T01:05:32Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• Short-term forecast of EV charging stations occupancy probability using big data streaming analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2021-04-26T12:03:02Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。