論文の概要: Facilitating Battery Swapping Services for Freight Trucks with Spatial-Temporal Demand Prediction

• arxiv url: http://arxiv.org/abs/2310.04440v2
• Date: Fri, 24 May 2024 02:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 23:56:12.623707
• Title: Facilitating Battery Swapping Services for Freight Trucks with Spatial-Temporal Demand Prediction
• Title（参考訳）: 時空間需要予測による貨物トラック用バッテリースワッピングサービス
• Authors: Linyu Liu, Zhen Dai, Shiji Song, Xiaocheng Li, Guanting Chen,
• Abstract要約: 本稿では,大型トラックにおけるバッテリスワッピングサービスの可能性と有効性について検討する。 特に,バッテリスワッピングサービスの初期段階は移動式バッテリスワッピングステーションが好まれるが,システムが成熟するにつれて固定配置ステーションが好まれる。
• 参考スコア（独自算出の注目度）: 30.745797708291864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrifying heavy-duty trucks offers a substantial opportunity to curtail carbon emissions, advancing toward a carbon-neutral future. However, the inherent challenges of limited battery energy and the sheer weight of heavy-duty trucks lead to reduced mileage and prolonged charging durations. Consequently, battery-swapping services emerge as an attractive solution for these trucks. This paper employs a two-fold approach to investigate the potential and enhance the efficacy of such services. Firstly, spatial-temporal demand prediction models are adopted to predict the traffic patterns for the upcoming hours. Subsequently, the prediction guides an optimization module for efficient battery allocation and deployment. Analyzing the heavy-duty truck data on a highway network spanning over 2,500 miles, our model and analysis underscore the value of prediction/machine learning in facilitating future decision-makings. In particular, we find that the initial phase of implementing battery-swapping services favors mobile battery-swapping stations, but as the system matures, fixed-location stations are preferred.
• Abstract（参考訳）: 大型トラックの電動化は、二酸化炭素排出量を削減し、炭素ニュートラルな未来へと進む大きな機会を提供する。 しかし、バッテリエネルギーの制限と重トラックの重み付けによる固有の課題は、走行距離の短縮と充電時間の延長につながる。 その結果、これらのトラックの魅力的なソリューションとしてバッテリスワッピングサービスが出現した。 本稿では,その可能性を探究し,その有効性を高めるために,二つのアプローチを用いる。 まず、今後の時間における交通パターンを予測するために、時空間需要予測モデルを採用する。 その後、予測は、効率的なバッテリ割り当てとデプロイのための最適化モジュールをガイドする。 2500マイルを超える高速道路ネットワーク上の重トラックデータを分析した結果、われわれのモデルと分析は、将来の意思決定を促進するための予測/機械学習の価値を強調した。 特に,バッテリスワッピングサービスの初期段階は移動式バッテリスワッピングステーションが好まれるが,システムが成熟するにつれて固定配置ステーションが好まれる。

関連論文リスト

• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Maximum flow-based formulation for the optimal location of electric vehicle charging stations [2.340830801548167]
  本稿では,EV充電需要を最大フロー問題として駅に割り当てるモデルを提案する。 実世界のシナリオを扱うための我々のアプローチのスケーラビリティを実証し、モントリオール市の方法論を紹介します。
  論文  参考訳（メタデータ） (2023-12-10T19:49:09Z)
• 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)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• 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)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• Short-term forecast of EV charging stations occupancy probability using big data streaming analysis [0.0]
  本稿では,充電インフラからのデータストリームを処理可能なアーキテクチャを提案する。 最終目標は、現在から数分後に充電ステーションの可利用性を予測することである。 ストリーミングモデルは、履歴データのみを使用してトレーニングされたモデルよりもパフォーマンスがよい。
  論文  参考訳（メタデータ） (2021-04-26T12:03:02Z)
• A Dynamic Battery State-of-Health Forecasting Model for Electric Trucks: Li-Ion Batteries Case-Study [1.1470070927586016]
  本稿では, 電動トラックにおけるLiイオン電池の機械学習による健康状態(SoH)の予後について検討する。 バッテリーSoHを予測するための自動回帰型統合モデリング平均(ARIMA)と教師付き学習(決定木をベース見積もりとして袋詰め)を提案します。
  論文  参考訳（メタデータ） (2021-03-30T12:19:21Z)
• State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
  リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。 本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
  論文  参考訳（メタデータ） (2020-09-20T23:47:11Z)

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。