論文の概要: AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for
Electric Vehicle Charging Station Availability Forecasting
- arxiv url: http://arxiv.org/abs/2209.03356v1
- Date: Wed, 7 Sep 2022 13:51:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:37:00.561094
- Title: AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for
Electric Vehicle Charging Station Availability Forecasting
- Title（参考訳）: AST-GIN:電気自動車充電ステーションアベイラビリティ予測のためのAttribute-Augmented Space-Temporal Graph Informer Network
- Authors: Ruikang Luo, Yaofeng Song, Liping Huang, Yicheng Zhang and Rong Su
- Abstract要約: 本研究では,Attribute-Augmented Space-Temporal Graph Informer (AST-GIN) 構造を提案する。
私たちのモデルはダンディーシティで収集されたデータに基づいてテストされます。
- 参考スコア（独自算出の注目度）: 8.596556653895028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electric Vehicle (EV) charging demand and charging station availability
forecasting is one of the challenges in the intelligent transportation system.
With the accurate EV station situation prediction, suitable charging behaviors
could be scheduled in advance to relieve range anxiety. Many existing deep
learning methods are proposed to address this issue, however, due to the
complex road network structure and comprehensive external factors, such as
point of interests (POIs) and weather effects, many commonly used algorithms
could just extract the historical usage information without considering
comprehensive influence of external factors. To enhance the prediction accuracy
and interpretability, the Attribute-Augmented Spatial-Temporal Graph Informer
(AST-GIN) structure is proposed in this study by combining the Graph
Convolutional Network (GCN) layer and the Informer layer to extract both
external and internal spatial-temporal dependence of relevant transportation
data. And the external factors are modeled as dynamic attributes by the
attribute-augmented encoder for training. AST-GIN model is tested on the data
collected in Dundee City and experimental results show the effectiveness of our
model considering external factors influence over various horizon settings
compared with other baselines.
- Abstract（参考訳）: 電気自動車(EV)の充電需要と充電ステーションの可用性予測は、インテリジェント交通システムにおける課題の1つである。
正確なEVステーション状況予測では、レンジ不安を緩和するために、予め適切な充電動作をスケジュールすることができる。
しかし、複雑な道路ネットワーク構造と、関心点(POI)や気象効果などの総合的な外部要因により、多くの一般的なアルゴリズムは、外部要因の包括的影響を考慮せずに、歴史的利用情報を抽出することができる。
本研究では、予測精度と解釈可能性を高めるために、グラフ畳み込みネットワーク(GCN)層とインフォーマ層を組み合わせて、関連する輸送データの外部および内部空間時間依存性を抽出し、Attribute-Augmented Space-Temporal Graph Informer(AST-GIN)構造を提案する。
外部要因は、トレーニング用の属性拡張エンコーダによって動的属性としてモデル化される。
ダンディー市で収集したデータをもとにast-ginモデルを用いて実験を行い,各地平線における外部要因を考慮したモデルの有効性を実験的に示した。
関連論文リスト
- Attention-based Citywide Electric Vehicle Charging Demand Prediction Approach Considering Urban Region and Dynamic Influences [5.687001127686438]
電気自動車の充電需要予測のための注意に基づく異種データ融合手法(ADF)を提案する。
非ペアワイズ関係を学習するために、サービス領域を、その領域における関心点の種類と数によってクラスタ化する。
都市の異なる地域での予測結果に及ぼす動的影響の影響とクラスタリング手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-24T14:19:38Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳（メタデータ） (2021-07-30T01:20:48Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network
for Traffic Forecasting [8.490904938246347]
本研究では,時空間グラフ畳み込みネットワークに基づく知識表現型交通予測手法を提案する。
まず,交通予測のための知識グラフを構築し,KR-EARという知識表現学習手法を用いて知識表現を導出する。
そこで我々は,空間時間グラフ畳み込みバックボーンネットワークの入力として,知識とトラフィックの特徴を組み合わせた知識融合セル(KF-Cell)を提案する。
論文 参考訳（メタデータ） (2020-11-26T14:15:52Z) - AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network
for Traffic Forecasting [12.284512000306314]
交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。
従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
論文 参考訳（メタデータ） (2020-11-22T12:49:55Z)
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。