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

• arxiv url: http://arxiv.org/abs/2410.18766v2
• Date: Wed, 27 Nov 2024 09:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:23:53.746647
• Title: 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: そこで我々は,CityEVCPという電気自動車充電需要予測のための学習手法を提案する。 都市部における不公平な関係を学習するために,サービスエリアを,地域における関心点の種類と数によってクラスタリングする。 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地域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 nowadays because urban region attributes and multivariate temporal influences are not adequately taken into account. To tackle these issues, we propose a learning approach for citywide electric vehicle charging demand prediction, named CityEVCP. To learn non-pairwise relationships in urban areas, 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 employed for information propagation between neighboring areas. Additionally, we propose a variable selection network to adaptively learn dynamic auxiliary information and improve the Transformer encoder utilizing gated mechanisms for fluctuating charging time-series data. Experiments on a citywide electric vehicle charging dataset demonstrate the performances 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 area 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。 都会の地域特性や多変量時間の影響が十分に考慮されていないため, 従来の時空間調査の性能はいまだに十分ではない。 これらの課題に対処するため,市営電気自動車充電需要予測のための学習手法であるCityEVCPを提案する。 都市部における非ペアワイズ関係を学習するために,サービスエリアを地域における関心点の種類と数によってクラスタリングし,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、近隣地域間の情報伝達に使用される。 さらに、動的補助情報を適応的に学習する可変選択ネットワークを提案し、充電時間データを変動させる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する。 都市全体での電気自動車充電データセットの実験は、提案手法の性能を、幅広い競合するベースラインと比較して実証する。 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,地域クラスタリング手法の有効性を示す。

関連論文リスト

• Towards Using Machine Learning to Generatively Simulate EV Charging in Urban Areas [1.1434534164449743]
  本研究では、限られたデータで都市部における電気自動車(EV)の充電プロファイルを予測することの課題に対処する。 我々のモデルは、ピーク電力需要と日々の負荷を予測し、充電行動に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-13T19:55:19Z)
• 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)
• Forecasting Electric Vehicle Charging Station Occupancy: Smarter Mobility Data Challenge [0.0]
  Smarter Mobility Data Challengeは、EV充電ステーションの占有率を予測する予測モデルの開発に注力している。 この課題は、2020年から2021年の間に4つの地理的領域にわたる91の充電ステーションのデータセットを分析した。 その結果、EV充電ステーションの占有率を正確に予測するための階層的予測手法の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-06-09T07:22:18Z)
• 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)
• Estimation of Electric Vehicle Public Charging Demand using Cellphone Data and Points of Interest-based Segmentation [0.0]
  道路の電気化競争が始まり、ドライバーが燃料駆動の車両から電気自動車に乗り換えるよう促すには、堅牢な電気自動車(EV)充電インフラが必要である。 本稿では,革新的なEV充電需要推定とセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2022-06-02T09:54:11Z)
• 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)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• Electric Vehicle Charging Infrastructure Planning: A Scalable Computational Framework [5.572792035859953]
  交通システムと送電網のネットワーク規模が増大しているため, 大規模空間における最適充電インフラ計画問題は困難である。 本稿では,密に統合された輸送網と電力網網を網羅する電気自動車充電インフラ計画のためのスケーラブルな計算フレームワークの実証に焦点をあてる。
  論文  参考訳（メタデータ） (2020-11-17T16:48:07Z)
• 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)

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。