論文の概要: Investigating the Spatiotemporal Charging Demand and Travel Behavior of
Electric Vehicles Using GPS Data: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2203.00135v1
- Date: Mon, 28 Feb 2022 23:11:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 01:26:48.513624
- Title: Investigating the Spatiotemporal Charging Demand and Travel Behavior of
Electric Vehicles Using GPS Data: A Machine Learning Approach
- Title（参考訳）: GPSデータを用いた電気自動車の時空間充電需要と走行行動の調査:機械学習によるアプローチ
- Authors: Sina Baghali, Zhaomiao Guo, Samiul Hasan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.160208922584163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing market penetration of electric vehicles (EVs) may change the
travel behavior of drivers and pose a significant electricity demand on the
power system. Since the electricity demand depends on the travel behavior of
EVs, which are inherently uncertain, the forecasting of daily charging demand
(CD) will be a challenging task. In this paper, we use the recorded GPS data of
EVs and conventional gasoline-powered vehicles from the same city to
investigate the potential shift in the travel behavior of drivers from
conventional vehicles to EVs and forecast the spatiotemporal patterns of daily
CD. Our analysis reveals that the travel behavior of EVs and conventional
vehicles are similar. Also, the forecasting results indicate that the developed
models can generate accurate spatiotemporal patterns of the daily CD.
- Abstract（参考訳）: 電気自動車(ev)の市場浸透の増加は、ドライバーの移動行動を変え、電力系統に大きな電力需要をもたらす可能性がある。
電力需要は、本質的に不確実であるevの走行行動に依存するため、日々の充電需要(cd)の予測は困難な課題となる。
本稿では,同市における電気自動車とガソリン自動車のGPSデータを用いて,従来の車両からEVへの運転者の移動行動の潜在的な変化を調査し,日々のCDの時空間パターンを予測する。
分析の結果,EVと従来の車両の走行挙動は類似していることがわかった。
また, 予測結果は, 開発したモデルが日々のcdの時空間パターンを精度良く生成できることを示す。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - 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) - Online Learning Models for Vehicle Usage Prediction During COVID-19 [2.287415292857564]
本研究は,オンライン機械学習モデルを用いて,1日1ドライブの出発時刻と距離を推定する。
オンライン機械学習モデルは、新型コロナウイルス(COVID-19)パンデミックの間、一連のBEVから収集された歴史的運転データに基づいてトレーニングされ、評価される。
この結果から, 最良性能予測モデルでは, 出発時刻の予測では平均絶対誤差が2.75時間, 走行距離の予測では13.37kmとなった。
論文 参考訳（メタデータ） (2022-10-28T09:09:34Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - Predicting vehicles parking behaviour in shared premises for aggregated
EV electricity demand response programs [3.448121798373834]
本稿では,共有駐車場における駐車時間推定手法を提案する。
我々は、駐車イベントの期間を予測するために、予測問題を教師付き機械学習タスクとして定式化する。
この予測期間は、ピーク時の電力需要を減少させる期間にわたって電力を割り当てるエネルギー管理システムに供給される。
論文 参考訳（メタデータ） (2021-09-20T16:33:17Z) - 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) - Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach [1.7403133838762446]
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。
論文 参考訳（メタデータ） (2021-06-11T15:53:59Z) - 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。