論文の概要: Transformer-based Graph Neural Networks for Battery Range Prediction in AIoT Battery-Swap Services
- arxiv url: http://arxiv.org/abs/2407.16115v1
- Date: Tue, 23 Jul 2024 01:33:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 19:05:21.987282
- Title: Transformer-based Graph Neural Networks for Battery Range Prediction in AIoT Battery-Swap Services
- Title（参考訳）: AIoTバッテリスワップサービスにおけるバッテリレンジ予測のためのトランスフォーマーベースグラフニューラルネットワーク
- Authors: Zhao Li, Yang Liu, Chuan Zhou, Xuanwu Liu, Xuming Pan, Buqing Cao, Xindong Wu,
- Abstract要約: 共有経済の概念は広く認知され、この文脈において、共有E-Bike電池は社会的な関心の焦点として現れてきた。
人気にもかかわらず、SEBの残りのバッテリー範囲と現実に関するユーザの期待との間には、注目すべき相違点が残っている。
本稿では,SEBのバッテリ範囲の予測に特化して設計されたSEB-Transformerと呼ばれる構造トランスモデルを提案する。
- 参考スコア（独自算出の注目度）: 17.973385522511265
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The concept of the sharing economy has gained broad recognition, and within this context, Sharing E-Bike Battery (SEB) have emerged as a focal point of societal interest. Despite the popularity, a notable discrepancy remains between user expectations regarding the remaining battery range of SEBs and the reality, leading to a pronounced inclination among users to find an available SEB during emergency situations. In response to this challenge, the integration of Artificial Intelligence of Things (AIoT) and battery-swap services has surfaced as a viable solution. In this paper, we propose a novel structural Transformer-based model, referred to as the SEB-Transformer, designed specifically for predicting the battery range of SEBs. The scenario is conceptualized as a dynamic heterogeneous graph that encapsulates the interactions between users and bicycles, providing a comprehensive framework for analysis. Furthermore, we incorporate the graph structure into the SEB-Transformer to facilitate the estimation of the remaining e-bike battery range, in conjunction with mean structural similarity, enhancing the prediction accuracy. By employing the predictions made by our model, we are able to dynamically adjust the optimal cycling routes for users in real-time, while also considering the strategic locations of charging stations, thereby optimizing the user experience. Empirically our results on real-world datasets demonstrate the superiority of our model against nine competitive baselines. These innovations, powered by AIoT, not only bridge the gap between user expectations and the physical limitations of battery range but also significantly improve the operational efficiency and sustainability of SEB services. Through these advancements, the shared electric bicycle ecosystem is evolving, making strides towards a more reliable, user-friendly, and sustainable mode of transportation.
- Abstract（参考訳）: 共有経済の概念は広く認知され、この文脈の中では、共有E-Bike Battery (SEB) が社会的な関心の焦点となっている。
人気にもかかわらず、SEBの残りのバッテリー範囲に関するユーザの期待と現実との相違は相変わらず残っており、緊急時に使用可能なSEBを見つけるためのユーザーの傾向は顕著である。
この課題に対して、AIoT(Artificial Intelligence of Things)とバッテリスワップサービスの統合が、実行可能なソリューションとして浮上した。
本稿では,SEBのバッテリ範囲の予測に特化して設計された,SEB-Transformerと呼ばれる構造トランスモデルを提案する。
このシナリオは、ユーザと自転車間のインタラクションをカプセル化した動的異種グラフとして概念化され、分析のための包括的なフレームワークを提供する。
さらに, グラフ構造をSEB-Transformerに組み込んで, 残余のe-bikeバッテリ範囲を推定し, 平均構造的類似性とともに予測精度を向上させる。
モデルによる予測を利用することで,充電ステーションの戦略的位置を考慮しつつ,ユーザの最適なサイクリング経路を動的に調整し,ユーザエクスペリエンスを最適化することができる。
実世界のデータセットに対する我々の結果は、9つの競争基準に対する我々のモデルの優位性を実証している。
これらのイノベーションは、AIoTをベースとして、ユーザの期待とバッテリ範囲の物理的な制限のギャップを埋めるだけでなく、SEBサービスの運用効率と持続可能性を大幅に改善する。
これらの進歩を通じて、共有電動自転車のエコシステムは進化し、より信頼性が高く、ユーザフレンドリで、持続可能な交通手段へと向かっている。
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) - Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。
検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。
また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
論文 参考訳（メタデータ） (2024-05-27T17:59:39Z) - Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty
Vehicles [6.375656754994484]
電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。
本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。
合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
論文 参考訳（メタデータ） (2023-11-27T16:52:25Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Deep trip generation with graph neural networks for bike sharing system
expansion [7.737133861503814]
マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。
提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
論文 参考訳（メタデータ） (2023-03-20T16:43:41Z) - Transfer Learning and Vision Transformer based State-of-Health
prediction of Lithium-Ion Batteries [1.2468700211588883]
健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。
本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T16:54:15Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z) - A Cluster-Based Trip Prediction Graph Neural Network Model for Bike
Sharing Systems [2.1423963702744597]
自転車シェアリングシステム(BSS)は革新的な交通サービスとして発展しつつある。
これらのシステムが現在のグローバルな懸念の多くを根絶することにコミットしていることを考えると、BSSの適切な機能を確保することが不可欠である。
ユーザの移行パターンに関する優れた知識は、サービスの品質と運用性に対する決定的な貢献である。
論文 参考訳（メタデータ） (2022-01-03T15:47:40Z) - 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) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。