論文の概要: Optimizing Electric Vehicle Charging Station Locations: A Data-driven System with Multi-source Fusion

• arxiv url: http://arxiv.org/abs/2504.13517v1
• Date: Fri, 18 Apr 2025 07:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 18:54:12.238842
• Title: Optimizing Electric Vehicle Charging Station Locations: A Data-driven System with Multi-source Fusion
• Title（参考訳）: 電気自動車充電ステーション位置の最適化:マルチソース核融合によるデータ駆動システム
• Authors: Lihuan Li, Du Yin, Hao Xue, David Lillo-Trynes, Flora Salim,
• Abstract要約: オーストラリア,ニューサウスウェールズ州(NSW)における既存のEV旅行に基づくデータ駆動システムを開発した。 本システムでは,EV旅行データ,ルートデータなどの地理的データ,LGA(Local Government Area)境界などのデータソースを統合している。 この研究の結果は、将来のEV充電ステーションの位置に関するガイダンスを提供するために、新しい洞察を開発するための議論のためのプラットフォームを提供することができる。
• 参考スコア（独自算出の注目度）: 2.993678682876725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing electric vehicles (EVs) charging demand, urban planners face the challenges of providing charging infrastructure at optimal locations. For example, range anxiety during long-distance travel and the inadequate distribution of residential charging stations are the major issues many cities face. To achieve reasonable estimation and deployment of the charging demand, we develop a data-driven system based on existing EV trips in New South Wales (NSW) state, Australia, incorporating multiple factors that enhance the geographical feasibility of recommended charging stations. Our system integrates data sources including EV trip data, geographical data such as route data and Local Government Area (LGA) boundaries, as well as features like fire and flood risks, and Points of Interest (POIs). We visualize our results to intuitively demonstrate the findings from our data-driven, multi-source fusion system, and evaluate them through case studies. The outcome of this work can provide a platform for discussion to develop new insights that could be used to give guidance on where to position future EV charging stations.
• Abstract（参考訳）: 電気自動車(EV)の充電需要の増加に伴い、都市計画者は最適な場所で充電インフラを提供するという課題に直面している。 例えば、長距離旅行における範囲不安や、多くの都市が直面している主要な問題として、住宅用充電ステーションの不足があげられる。 オーストラリアのニューサウスウェールズ州 (NSW) での既存のEV走行に基づくデータ駆動システムを構築し, 推奨充電ステーションの地理的実現可能性を高める複数の要因を取り入れた。 本システムでは,EV旅行データ,ルートデータやLGA境界などの地理的データ,火災や洪水リスクなどの特徴,関心のポイント(POI)などのデータソースを統合している。 我々は,データ駆動型多ソース核融合システムから得られた知見を直感的に可視化し,ケーススタディを通じて評価する。 この研究の結果は、将来のEV充電ステーションの位置に関するガイダンスを提供するために、新しい洞察を開発するための議論のためのプラットフォームを提供することができる。

関連論文リスト

• ChatBEV: A Visual Language Model that Understands BEV Maps [58.3005092762598]
  我々は137k以上の質問を含む新しいBEV VQAベンチマークであるChatBEV-QAを紹介する。 このベンチマークは、BEVマップ用のスケーラブルで情報性の高いVQAデータを生成する、新しいデータ収集パイプラインを使用して構築されている。 本稿では,ChatBEVが地図理解とテキスト対応ナビゲーションを支援する言語駆動の交通シーン生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-18T06:12:38Z)
• SimBEV: A Synthetic Multi-Task Multi-Sensor Driving Data Generation Tool and Dataset [101.51012770913627]
  近年,BEV(Bird's-eye view)の認識は自律運転において大きな注目を集めている。 SimBEVは、広範囲にスケーラブルでスケーラブルなランダム化された合成データ生成ツールである。 SimBEVは、さまざまな運転シナリオからの注釈付き知覚データの大規模なコレクションであるSimBEVデータセットを作成するために使用される。
  論文  参考訳（メタデータ） (2025-02-04T00:00:06Z)
• 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)
• 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)
• 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)
• Berlin V2X: A Machine Learning Dataset from Multiple Vehicles and Radio Access Technologies [56.77079930521082]
  我々は,MLに基づく多種多様な研究への道を開くための詳細な測定キャンペーンを実施してきた。 得られたデータセットは、携帯電話(と2つの異なるオペレーター)とサイドリンク無線アクセス技術の両方のために、様々な都市環境にまたがるGPS位置の無線測定を提供する。 私たちは、MLが克服しなければならない課題と、MLが活用できる機能について、データの初期分析を提供しています。
  論文  参考訳（メタデータ） (2022-12-20T15:26:39Z)
• Web Mining to Inform Locations of Charging Stations for Electric Vehicles [18.25327009053813]
  電気自動車(EV)オーナーは、充電ステーションと関心点(POI)の間を歩く意思に一定の制限がある 我々は, OpenStreetMap の異なる POI が充電ステーションの利用に与える影響を特徴付ける Web マイニングの利用を提案する。 我々は、POIと充電ステーションの両方の空間分布を考慮に入れた、調整された解釈可能なモデルを提案する。
  論文  参考訳（メタデータ） (2022-03-10T17:00:18Z)
• 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)
• Optimal Placement of Public Electric Vehicle Charging Stations Using Deep Reinforcement Learning [0.0]
  Reinforcement Learning (RL) の新たな応用により、新しい充電ステーションの最適な場所を見つけることができる。 提案するRLフレームワークを世界中の都市に適用し,充電ステーション配置を最適化する。
  論文  参考訳（メタデータ） (2021-08-17T17:25:30Z)
• An Experimental Urban Case Study with Various Data Sources and a Model for Traffic Estimation [65.28133251370055]
  我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。 我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。 本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-02T08:13:57Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• Data-Driven Prediction of Route-Level Energy Use for Mixed-Vehicle Transit Fleets [7.2775693810940565]
  公共交通機関は電気自動車(EV)による燃費削減を目指している EVの先行コストが高いため、ほとんどの機関は内燃機関と電気自動車の混成車しか手に入らない。 混合車両輸送車両における経路レベルのエネルギー利用に関するデータ駆動予測のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-04-10T16:31:10Z)

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。