論文の概要: A Multi-Modal Spatial Risk Framework for EV Charging Infrastructure Using Remote Sensing

• arxiv url: http://arxiv.org/abs/2506.19860v1
• Date: Tue, 10 Jun 2025 05:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.864364
• Title: A Multi-Modal Spatial Risk Framework for EV Charging Infrastructure Using Remote Sensing
• Title（参考訳）: リモートセンシングを用いたEV充電インフラのマルチモーダル空間リスクフレームワーク
• Authors: Oktay Karakuş, Padraig Corcoran,
• Abstract要約: RSERI-EVは空間的に明示的でマルチモーダルなリスク評価フレームワークである。 リモートセンシングデータ、オープンインフラストラクチャデータセット、空間グラフ分析を組み合わせて、EV充電ステーションの脆弱性を評価する。 筆者らのプロトタイプでは, 耐気候性, インフラに配慮したEVの展開を支援する上で, マルチソースデータ融合と解釈可能な空間推論の価値を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric vehicle (EV) charging infrastructure is increasingly critical to sustainable transport systems, yet its resilience under environmental and infrastructural stress remains underexplored. In this paper, we introduce RSERI-EV, a spatially explicit and multi-modal risk assessment framework that combines remote sensing data, open infrastructure datasets, and spatial graph analytics to evaluate the vulnerability of EV charging stations. RSERI-EV integrates diverse data layers, including flood risk maps, land surface temperature (LST) extremes, vegetation indices (NDVI), land use/land cover (LULC), proximity to electrical substations, and road accessibility to generate a composite Resilience Score. We apply this framework to the country of Wales EV charger dataset to demonstrate its feasibility. A spatial $k$-nearest neighbours ($k$NN) graph is constructed over the charging network to enable neighbourhood-based comparisons and graph-aware diagnostics. Our prototype highlights the value of multi-source data fusion and interpretable spatial reasoning in supporting climate-resilient, infrastructure-aware EV deployment.
• Abstract（参考訳）: 電気自動車(EV)の充電インフラは、持続可能な輸送システムにとってますます重要になっているが、環境やインフラのストレス下でのレジリエンスは未調査のままである。 本稿では、リモートセンシングデータ、オープンインフラストラクチャデータセット、空間グラフ分析を組み合わせてEV充電ステーションの脆弱性を評価する空間的明示的でマルチモーダルなリスクアセスメントフレームワークであるRSERI-EVを紹介する。 RSERI-EVは、洪水危険マップ、土地表面温度(LST)極端、植生指標(NDVI)、土地利用/土地被覆(LULC)、電気変電所への近接、道路アクセシビリティといった多様なデータ層を統合し、複合レジリエンススコアを生成する。 この枠組みをウェールズのEV充電器データセットに適用し、その実現可能性を示す。 空間的な$k$-nearest近辺($k$NN)グラフが充電ネットワーク上に構築され、近隣の比較とグラフ認識の診断を可能にする。 筆者らのプロトタイプでは, 耐気候性, インフラに配慮したEVの展開を支援する上で, マルチソースデータ融合と解釈可能な空間推論の価値を強調した。

関連論文リスト

• Optimizing Electric Vehicle Charging Station Locations: A Data-driven System with Multi-source Fusion [2.993678682876725]
  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。
  論文  参考訳（メタデータ） (2025-04-18T07:10:48Z)
• 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)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• EVKG: An Interlinked and Interoperable Electric Vehicle Knowledge Graph for Smart Transportation System [5.600639345303369]
  本稿では,EV中心の知識グラフ(EVKG)を包括的でクロスドメインかつオープンな地理空間知識管理システムとして提示する。 EVKGはEV導入、電気自動車の供給装置、送電網など、EV関連の重要な知識をカプセル化している。 6つの有能な質問を用いて、EVKGが様々な種類のEV関連質問にどのように答えられるかを実証する。
  論文  参考訳（メタデータ） (2023-04-10T23:01:02Z)
• 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)
• 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。