論文の概要: Privacy Preserving Charge Location Prediction for Electric Vehicles

• arxiv url: http://arxiv.org/abs/2502.00068v1
• Date: Fri, 31 Jan 2025 03:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:00:53.213561
• Title: Privacy Preserving Charge Location Prediction for Electric Vehicles
• Title（参考訳）: 電気自動車の充電位置予測のためのプライバシー保護
• Authors: Robert Marlin, Raja Jurdak, Alsharif Abuadbba, Dimity Miller,
• Abstract要約: 電気自動車(EV)は、エネルギー生成、グリッドインフラストラクチャ、データプライバシに課題を提起する。 EVルーティングと充電管理に関する現在の研究は、エネルギー需要を予測する際にプライバシーを過小評価することが多い。 EV充電位置予測のためのプライバシ重視のソリューションを開発した。
• 参考スコア（独自算出の注目度）: 12.421831663681056
• License:
• Abstract: By 2050, electric vehicles (EVs) are projected to account for 70% of global vehicle sales. While EVs provide environmental benefits, they also pose challenges for energy generation, grid infrastructure, and data privacy. Current research on EV routing and charge management often overlooks privacy when predicting energy demands, leaving sensitive mobility data vulnerable. To address this, we developed a Federated Learning Transformer Network (FLTN) to predict EVs' next charge location with enhanced privacy measures. Each EV operates as a client, training an onboard FLTN model that shares only model weights, not raw data with a community-based Distributed Energy Resource Management System (DERMS), which aggregates them into a community global model. To further enhance privacy, non-transitory EVs use peer-to-peer weight sharing and augmentation within their community, obfuscating individual contributions and improving model accuracy. Community DERMS global model weights are then redistributed to EVs for continuous training. Our FLTN approach achieved up to 92% accuracy while preserving data privacy, compared to our baseline centralised model, which achieved 98% accuracy with no data privacy. Simulations conducted across diverse charge levels confirm the FLTN's ability to forecast energy demands over extended periods. We present a privacy-focused solution for forecasting EV charge location prediction, effectively mitigating data leakage risks.
• Abstract（参考訳）: 2050年までに、電気自動車(EV)は世界の自動車販売の70%を占めると予測されている。 EVは環境面でのメリットを提供する一方で、エネルギー生成やグリッドインフラストラクチャ、データプライバシといった面での課題も生んでいる。 EVルーティングと充電管理に関する現在の研究は、しばしばエネルギー需要を予測する際にプライバシーを見落とし、敏感なモビリティデータを脆弱なものにしている。 そこで我々は,EVの次回の充電位置を予測するためのフェデレートラーニングトランスフォーマーネットワーク(FLTN)を開発した。 各EVはクライアントとして動作し、コミュニティベースの分散エネルギー資源管理システム(DERMS)で生データではなく、モデルウェイトのみを共有するFLTNモデルをトレーニングし、コミュニティのグローバルモデルに集約する。 プライバシーをさらに強化するため、非輸送EVは、コミュニティ内でピアツーピアの重量共有と拡張を使用し、個々のコントリビューションを曖昧にし、モデルの精度を向上させる。 コミュニティDERMSグローバルモデルウェイトは、継続的なトレーニングのためにEVに再配布される。 当社のFLTNアプローチは,データプライバシを保護しながら最大92%の精度を実現しています。 様々な充電レベルにわたって行われたシミュレーションは、FLTNが長期にわたってエネルギー需要を予測する能力を確認している。 本稿では,EVの充電位置を予測し,データ漏洩リスクを効果的に軽減するプライバシ重視のソリューションを提案する。

関連論文リスト

• Privacy-Aware Energy Consumption Modeling of Connected Battery Electric Vehicles using Federated Learning [4.68055125124498]
  バッテリー電気自動車(BEV)は、大気汚染を減らす可能性から、現代都市ではますます重要になっている。 データプライバシに対する大衆の認識が高まるにつれて、BEVエネルギー消費モデリングの文脈でデータプライバシを保護するアプローチを採用することが不可欠である。 本研究は,ユーザプライバシを維持しつつ,BEVのエネルギー消費予測を改善するために,フェデレートラーニング(FL)手法を用いることの可能性を検討する。
  論文  参考訳（メタデータ） (2023-12-12T15:40:38Z)
• 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)
• 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)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• Driving and charging an EV in Australia: A real-world analysis [0.0]
  本研究は,オーストラリア全土の239台のEVの実走行および充電パターンのデータ収集を目的とする。 2021年11月にアプリケーションプログラミングインターフェースプラットフォームを通じて、現在のEV所有者からのデータ収集が開始され、現在公開されている。
  論文  参考訳（メタデータ） (2022-06-03T11:01:23Z)
• 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)
• Defining a synthetic data generator for realistic electric vehicle charging sessions [6.37470346908743]
  電気自動車(EV)充電ステーションは、近年電力網で顕著になっている。 しかし、そのようなEVセッションデータの可用性の制限は、これらの分野でのさらなる発展を妨げる。 我々はEV充電セッションのための合成データ生成装置を開発した。
  論文  参考訳（メタデータ） (2022-02-28T11:18:40Z)
• 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)
• 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)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)

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。