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

• arxiv url: http://arxiv.org/abs/2301.06418v4
• Date: Tue, 30 May 2023 13:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 01:59:13.086972
• 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(Mind the Gap) - 検閲と無検閲の電気自動車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: デンマークのコペンハーゲンにある自動車のGPSトラジェクトリを用いて、充電ステーションの占有状況と競合するサービスが需要を規制する方法について検討した。 市の一部の地域では検閲が最大61%の時間で発生していることがわかった。 本研究は,本研究から得られた充電需要を実需要を推定し,検閲対応モデルが実需要の予測および不確実性評価に有効であることを示す。
• 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. These models often fail to account for demand lost from occupied charging stations and competitors. The lost demand suggests that the actual demand is likely higher than the charging records reflect, i.e., the true demand is latent (unobserved), and the observations are censored. As a result, machine learning models that rely on these observed records for forecasting charging demand may be limited in their application in future infrastructure expansion and supply management, as they do not estimate the true demand for charging. We propose using censorship-aware models to model charging demand to address this limitation. These models incorporate censorship in their loss functions and learn the true latent demand distribution from observed charging records. We study how occupied charging stations and competing services censor demand using GPS trajectories from cars in Copenhagen, Denmark. We find that censorship occurs up to $61\%$ of the time in some areas of the city. We use the observed charging demand from our study to estimate the true demand and find that censorship-aware models provide better prediction and uncertainty estimation of actual demand than censorship-unaware models. We suggest that future charging models based on charging records should account for censoring to expand the application areas of machine learning models in 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。 これらのモデルはしばしば、占有している充電ステーションや競合製品から失われた需要を考慮しない。 失われた需要は、実際の需要が充電記録よりも高いことを示唆している。つまり、真の需要は潜在(観測されていない)であり、観測は検閲されている。 その結果、将来のインフラ拡張や供給管理において、これらの観測記録に頼って充電需要を予測する機械学習モデルは、充電の真の需要を見積もらないため、応用に限られる可能性がある。 この制限に対処するために、検閲対応モデルを用いて充電需要をモデル化する。 これらのモデルは、損失関数に検閲を導入し、観測された充電記録から真の潜在需要分布を学習する。 デンマークのコペンハーゲンにある自動車のgpsトラジェクタを用いて、有線充電ステーションと競合サービスによる検閲の状況を調査した。 検閲は市の一部の地域では最大で611〜%の費用がかかることが判明した。 我々は,本研究から観測された充電需要を用いて真の需要を推定し,検閲対応モデルが検閲対応モデルよりも実際の需要の予測と不確実性評価に優れていることを見出した。 充電記録に基づく将来の充電モデルは、供給管理とインフラ拡張において機械学習モデルの応用領域を拡大するための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。