論文の概要: Attention-based Citywide Electric Vehicle Charging Demand Prediction Approach Considering Urban Region and Dynamic Influences

• arxiv url: http://arxiv.org/abs/2410.18766v1
• Date: Thu, 24 Oct 2024 14:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:48:59.088803
• Title: Attention-based Citywide Electric Vehicle Charging Demand Prediction Approach Considering Urban Region and Dynamic Influences
• Title（参考訳）: 都市域を考慮した意識型都市規模の電気自動車充電需要予測手法と動的影響
• Authors: Haoxuan Kuang, Kunxiang Deng, Linlin You, Jun Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.687001127686438
• License:
• Abstract: Electric vehicle charging demand prediction is important for vacant charging pile recommendation and charging infrastructure planning, thus facilitating vehicle electrification and green energy development. The performance of previous spatio-temporal studies is still far from satisfactory because the traditional graphs are difficult to model non-pairwise spatial relationships and multivariate temporal features are not adequately taken into account. To tackle these issues, we propose an attention-based heterogeneous multivariate data fusion approach (AHMDF) for citywide electric vehicle charging demand prediction, which incorporates geo-based clustered hypergraph and multivariate gated Transformer to considers both static and dynamic influences. To learn non-pairwise relationships, we cluster service areas by the types and numbers of points of interest in the areas and develop attentive hypergraph networks accordingly. Graph attention mechanisms are used for information propagation between neighboring areas. Additionally, we improve the Transformer encoder utilizing gated mechanisms so that it can selectively learn dynamic auxiliary information and temporal features. Experiments on an electric vehicle charging benchmark dataset demonstrate the effectiveness of our proposed approach compared with a broad range of competing baselines. Furthermore, we demonstrate the impact of dynamic influences on prediction results in different areas of the city and the effectiveness of our clustering method.
• Abstract（参考訳）: 電気自動車の充電需要予測は、空き杭の推薦と充電インフラの計画において重要であり、車両の電化とグリーンエネルギー開発を容易にする。 従来のグラフは空間的非対角関係をモデル化することが困難であり、多変量時間的特徴が適切に考慮されていないため、従来の時空間研究のパフォーマンスはまだ十分ではない。 これらの課題に対処するため, 地理的にクラスタ化されたハイパーグラフと多変量ゲートトランスフォーマーを組み込んだ都市規模の電気自動車充電需要予測のための注意型多変量データ融合手法 (AHMDF) を提案する。 非ペアワイズ関係を学習するために、サービスエリアを、その領域における関心点のタイプと数でクラスタリングし、それに応じて注意深いハイパーグラフネットワークを開発する。 グラフアテンション機構は、近隣地域の情報伝達に使用される。 さらに、ゲート機構を利用してトランスフォーマーエンコーダを改善し、動的補助情報や時間的特徴を選択的に学習できるようにする。 電気自動車充電ベンチマークデータセットの実験は、幅広い競合するベースラインと比較して提案手法の有効性を実証している。 さらに,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示す。

関連論文リスト

• A Nested Graph Reinforcement Learning-based Decision-making Strategy for Eco-platooning [15.543020132680997]
  大規模な混合プラトンでは、車両の不均一性と予測不可能な交通条件が仮想ボトルネックを引き起こす。 ネストグラフ強化学習に基づく意思決定戦略を導入する。 この戦略は協調的な意思決定を改善し、エネルギー効率を確保し、混雑を軽減する。
  論文  参考訳（メタデータ） (2024-08-14T14:18:51Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction [7.441576351434805]
  本稿では,特徴抽出のためのグラフと時間的注意機構の統合を実現する新しい手法を提案する。 中国深センの18,013台のEV充電杭のデータセットによる評価結果から,提案手法はPAGと呼ばれ,最先端の予測性能を達成可能であることが示された。
  論文  参考訳（メタデータ） (2023-09-11T06:31:45Z)
• 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)
• Holistic Graph-based Motion Prediction [2.365702128814616]
  ヘテロジニアスな全体グラフ表現に基づくグラフに基づく動き予測の新しい手法を提案する。 情報は異なるタイプのノードとエッジを通じてエンコードされ、どちらも任意の機能でリッチ化されている。
  論文  参考訳（メタデータ） (2023-01-31T10:46:46Z)
• AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting [8.596556653895028]
  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。
  論文  参考訳（メタデータ） (2022-09-07T13:51:45Z)
• 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)
• 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)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)
• Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
  インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。 重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。 本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
  論文  参考訳（メタデータ） (2020-05-04T17:45:18Z)

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。