Fugu-MT 論文翻訳(概要): Neighbor-Based Optimized Logistic Regression Machine Learning Model For Electric Vehicle Occupancy Detection

論文の概要: Neighbor-Based Optimized Logistic Regression Machine Learning Model For Electric Vehicle Occupancy Detection

arxiv url: http://arxiv.org/abs/2204.13702v1
Date: Thu, 28 Apr 2022 01:05:32 GMT
ステータス: 処理完了
システム内更新日: 2022-05-02 14:35:53.986833
Title: Neighbor-Based Optimized Logistic Regression Machine Learning Model For Electric Vehicle Occupancy Detection
Title（参考訳）: 隣人に基づくロジスティック回帰機械学習モデルによる電気自動車の占有状況検出
Authors: Sayan Shaw, Keaton Chia, Jan Kleissl
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents an optimized logistic regression machine learning model that predicts the occupancy of an Electric Vehicle (EV) charging station given the occupancy of neighboring stations. The model was optimized for the time of day. Trained on data from 57 EV charging stations around the University of California San Diego campus, the model achieved an 88.43% average accuracy and 92.23% maximum accuracy in predicting occupancy, outperforming a persistence model benchmark.
Abstract（参考訳）: 本稿では,電気自動車(EV)の充電ステーションの占有率を,近隣駅の占有率から予測するロジスティック回帰機械学習モデルを提案する。そのモデルは時間に合わせて最適化された。カリフォルニア大学サンディエゴ校の57のev充電ステーションで訓練されたこのモデルは、平均88.43%の精度と92.23%の最大精度を達成し、永続モデルベンチマークを上回った。

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)
Self-Taught Evaluators [77.92610887220594]
本稿では,人工的なトレーニングデータのみを用いて,人間のアノテーションを使わずに即興で証明することを目的としたアプローチを提案する。我々の自己学習評価器は、RewardBench上で75.4から88.3までの強いLDMを改善することができる。
論文参考訳（メタデータ） (2024-08-05T17:57:02Z)
Urban Traffic Forecasting with Integrated Travel Time and Data Availability in a Conformal Graph Neural Network Framework [0.6554326244334868]
最先端のモデルは、可能な限り最良の方法でデータを考えるのに苦労することが多い。本稿では,駅間の移動時間をグラフニューラルネットワークアーキテクチャの重み付き隣接行列に組み込む新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-07-17T01:11:07Z)
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)
Reusing Pretrained Models by Multi-linear Operators for Efficient Training [65.64075958382034]
大規模なモデルをスクラッチからトレーニングすることは、通常、かなりの量のリソースを必要とする。 bert2BERT や LiGO といった最近の研究は、大規模なモデルを初期化するために、小さな事前訓練されたモデルを再利用している。本稿では,対象モデルの各重みを事前学習モデルの全重みに線形に相関させる手法を提案する。
論文参考訳（メタデータ） (2023-10-16T06:16:47Z)
Fast-ELECTRA for Efficient Pre-training [83.29484808667532]
ELECTRAは補助モデルに置き換えられたシーケンス内のトークンを検出して、言語モデルを事前訓練する。本稿では,既存の言語モデルを補助モデルとして活用したFast-ELECTRAを提案する。提案手法は,最先端のELECTRA型事前学習手法の性能に匹敵するが,補助モデルの連成学習による計算とメモリコストは著しく削減される。
論文参考訳（メタデータ） (2023-10-11T09:55:46Z)
Data-Efficient Modeling for Precise Power Consumption Estimation of Quadrotor Operations Using Ensemble Learning [3.722516004544342]
エレクトロニック・テイクオフ・アンド・ランディング (EVTOL) は、新興都市空力において主要な航空機であると考えられている。本研究では,eVTOL航空機の消費電力モデル化のための枠組みを構築した。そこで我々は,3種類の四重項の飛行記録を用いたデータ駆動モデルを構築するために,アンサンブル学習法,すなわち積み重ね法を用いた。
論文参考訳（メタデータ） (2022-05-23T02:16:43Z)
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)
DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing [117.41016786835452]
本稿では,DeBERTaモデルの改良を目的とした,事前学習型言語モデルDeBERTaV3を提案する。 ELECTRAでのバニラ埋め込み共有は、トレーニング効率とモデルパフォーマンスを損なう。そこで本研究では、タグ・オブ・ウォーのダイナミクスを回避するために、新しい勾配距離の埋め込み方式を提案する。
論文参考訳（メタデータ） (2021-11-18T06:48:00Z)
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)
An electric vehicle charging station access equilibrium model with M/D/C queueing [0.0]
本稿では,M/D/Cキュー近似を非微分非線形プログラムとして用いたEV-to-charging station user equilibrium (UE)割り当てモデルを提案する。このモデルは、2020年7月8日時点のニューヨーク市全体行政サービス(NYC DCAS)およびEV充電ステーションの構成に関する大規模なケーススタディに適用される。その結果,高い待ち待ち時間ではなく,高い利用率の場所の選択に基づくポリシが示唆された。
論文参考訳（メタデータ） (2021-02-11T05:23:36Z)

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。