論文の概要: Mind The Gap -- Modelling Difference Between Censored and Uncensored Electric Vehicle Charging Demand

• arxiv url: http://arxiv.org/abs/2301.06418v1
• Date: Mon, 16 Jan 2023 13:19:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 15:59:59.189206
• Title: Mind The Gap -- Modelling Difference Between Censored and Uncensored Electric Vehicle Charging Demand
• Title（参考訳）: マインド・ザ・ギャップ - 検閲と無検閲の電気自動車の充電需要の差異をモデル化する
• Authors: Frederik Boe H\"uttel and Filipe Rodrigues and Francisco C\^amara Pereira
• Abstract要約: 我々は、自動車からのGPSトラジェクトリを使用して、検閲がどのように発生し、充電や競合サービスによって多くの需要が失われるかを調べる。 以上の結果から,検閲意識モデルの方が,検閲意識モデルよりも将来需要の予測や不確かさを予測できることがわかった。
• 参考スコア（独自算出の注目度）: 7.992550355579791
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Electric vehicle charging demand models, with charging records as input, will inherently be biased toward the supply of available chargers, as the data do not include demand lost from occupied stations and competitors. This lost demand implies that the records only observe a fraction of the total demand, i.e. the observations are censored, and actual demand is likely higher than what the data reflect. Machine learning models often neglect to account for this censored demand when forecasting the charging demand, which limits models' applications for future expansions and supply management. We address this gap by modelling the charging demand with probabilistic censorship-aware graph neural networks, which learn the latent demand distribution in both the spatial and temporal dimensions. We use GPS trajectories from cars in Copenhagen, Denmark, to study how censoring occurs and much demand is lost due to occupied charging and competing services. We find that censorship varies throughout the city and over time, encouraging spatial and temporal modelling. We find that in some regions of Copenhagen, censorship occurs 61% of the time. Our results show censorship-aware models provide better prediction and uncertainty estimation in actual future demand than censorship-unaware models. Our results suggest that future models based on charging records should account for the censoring to expand the application areas of machine learning models in this supply management and infrastructure expansion.
• Abstract（参考訳）: 電気自動車の充電需要モデルは、充電記録を入力として、本質的に利用可能な充電器の供給に偏る。 この失われた需要は、記録が総需要のごく一部しか観測せず、すなわち、観測は検閲され、実際の需要はデータが反映するものよりも高い可能性が高いことを意味している。 機械学習モデルは、料金需要を予測する際にこの検閲された需要を考慮せず、将来の拡張や供給管理へのモデルの応用を制限することが多い。 空間次元と時間次元の両方で潜在需要分布を学習する確率論的検閲対応グラフニューラルネットワークを用いて、充電需要をモデル化することで、このギャップに対処する。 デンマークのコペンハーゲンにある車のGPSトラジェクトリを使用して、検閲がどのように発生し、充電と競合サービスによって多くの需要が失われるかを調査します。 検閲は都市全体や時間によって異なり、時間的および時間的モデリングが促進される。 コペンハーゲンのいくつかの地域では、検閲が全体の61%を占めている。 以上の結果から,検閲意識モデルの方が,検閲意識モデルよりも将来需要の予測や不確かさを予測できることがわかった。 この供給管理とインフラ拡張における機械学習モデルの適用領域を拡大するために,充電記録に基づく将来のモデルは検閲を考慮すべきである。

関連論文リスト

• Online Dynamic Pricing for Electric Vehicle Charging Stations with Reservations [0.3374875022248865]
  電気自動車(EV)への移行は、電力網に大きな影響を与える。 従来の燃料源とは異なり、EVの電力はグリッド容量、価格変動、長時間のEV充電時間によって制約される。 本稿では,リザーブドEV充電サービスのオンライン動的価格設定モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-07T22:36:40Z)
• The Art of Saying No: Contextual Noncompliance in Language Models [123.383993700586]
  本稿では,ユーザの要求に従わないモデルについて,コンテキスト非準拠の包括的分類を導入する。 我々の分類は、不完全、不完全、不完全、不決定、人為的要求を含む幅広いカテゴリーにまたがる。 言語モデルの非準拠性をテストするために,1000個の非準拠プロンプトの新たな評価スイートを開発するために,この分類法を用いる。
  論文  参考訳（メタデータ） (2024-07-02T07:12:51Z)
• 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)
• Label Assisted Autoencoder for Anomaly Detection in Power Generation Plants [0.0]
  本研究では, 発電プラントが消費する燃料の異常検出のためのラベル付きオートエンコーダを提案する。 その結果、提案モデルでは、検出精度が9.7.20%$で、同一データセット上でトレーニングされた9.6.1%$の精度で、既存のモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-06T16:03:38Z)
• Do Charge Prediction Models Learn Legal Theory? [59.74220430434435]
  我々は、信頼できる電荷予測モデルが法的理論を考慮に入れるべきであると主張している。 本稿では,この課題に従わなければならない信頼に値するモデルの3つの原則を提案する。 以上の結果から,既存の電荷予測モデルはベンチマークデータセットの選択的原理に合致するが,そのほとんどが十分な感度が得られず,無害の予測を満たさないことが示唆された。
  論文  参考訳（メタデータ） (2022-10-31T07:32:12Z)
• ROAD-R: The Autonomous Driving Dataset with Logical Requirements [54.608762221119406]
  論理要求付きROADイベント認識データセット(ROAD-R)を紹介する。 ROAD-Rは、論理的制約として表現された要件を持つ、自動運転のための最初の公開データセットである。 我々は、(i)パフォーマンスが良く、(ii)要求自体に準拠することが保証されているモデルを作成するためにそれらを活用できることを示します。
  論文  参考訳（メタデータ） (2022-10-04T13:22:19Z)
• Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand [19.155018449068645]
  電気自動車は、上昇傾向を逆転させる低炭素排出ソリューションを提供することができる。 この要件を満たすためには、充電需要の正確な予測が不可欠である。 我々は,電気自動車の充電需要を予測するために,公開データを利用することを提案する。
  論文  参考訳（メタデータ） (2021-06-21T09:20:24Z)
• Zero-shot Fact Verification by Claim Generation [85.27523983027471]
  我々は,堅牢な事実検証モデルをトレーニングするフレームワークであるQACGを開発した。 われわれは自動的に生成されたクレームを使って、Wikipediaのエビデンスからサポートしたり、反論したり、検証したりできる。 ゼロショットシナリオでは、QACGはRoBERTaモデルのF1を50%から77%に改善し、パフォーマンスは2K以上の手作業による例に相当する。
  論文  参考訳（メタデータ） (2021-05-31T03:13:52Z)
• Modeling Censored Mobility Demand through Quantile Regression Neural Networks [21.528321119061694]
  CQRNNは検閲無意識モデルとパラメトリック検閲モデルの両方よりも,意図した分布を推定できることを示す。 結果は、CQRNNは検閲なしモデルとパラメトリック検閲モデルの両方よりも意図された分布を推定できることを示している。
  論文  参考訳（メタデータ） (2021-04-02T19:24:15Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes [11.695095006311176]
  輸送需要は供給に大きく依存しており、特に可用性が制限される共有輸送サービスにおいてである。 観測された需要は利用可能な供給量よりも高くはならないため、歴史的輸送データは一般的に、真の根底にある需要パターンのバイアスのある、あるいは検閲されたバージョンを表す。 本稿では,検閲された可能性関数を考案した検閲対応需要モデリングの汎用手法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:26:16Z)

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。