論文の概要: LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus

• arxiv url: http://arxiv.org/abs/2510.16719v1
• Date: Sun, 19 Oct 2025 05:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.111591
• Title: LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus
• Title（参考訳）: LSTMによる高密度都市キャンパスにおけるEV充電需要予測と分析
• Authors: Zak Ressler, Marcus Grijalva, Angelica Marie Ignacio, Melanie Torres, Abelardo Cuadra Rojas, Rohollah Moghadam, Mohammad Rasoul narimani,
• Abstract要約: このフレームワークは、複数の場所から大量の生データを処理し、正規化と特徴抽出によってLSTMを訓練する。 モデルが複数の時間スケールで充電需要を正確に予測する能力は、インフラ計画、エネルギー管理、グリッド統合に貴重な洞察を与えてくれる。
• 参考スコア（独自算出の注目度）: 2.242735348583755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a framework for processing EV charging load data in order to forecast future load predictions using a Recurrent Neural Network, specifically an LSTM. The framework processes a large set of raw data from multiple locations and transforms it with normalization and feature extraction to train the LSTM. The pre-processing stage corrects for missing or incomplete values by interpolating and normalizing the measurements. This information is then fed into a Long Short-Term Memory Model designed to capture the short-term fluctuations while also interpreting the long-term trends in the charging data. Experimental results demonstrate the model's ability to accurately predict charging demand across multiple time scales (daily, weekly, and monthly), providing valuable insights for infrastructure planning, energy management, and grid integration of EV charging facilities. The system's modular design allows for adaptation to different charging locations with varying usage patterns, making it applicable across diverse deployment scenarios.
• Abstract（参考訳）: 本稿では,リカレントニューラルネットワーク,特にLSTMを用いて将来の負荷予測を予測するために,EV充電負荷データを処理するためのフレームワークを提案する。 このフレームワークは、複数の場所から大量の生データを処理し、正規化と特徴抽出によってLSTMを訓練する。 事前処理段階は、測定を補間し、正規化することにより、欠落または不完全な値を補正する。 この情報は、充電データの長期的な傾向を解釈しながら、短期的な変動を捉えるように設計されたLong Short-Term Memory Modelに入力される。 実験結果は、複数の時間スケール(日、週、月)にわたる充電需要を正確に予測し、インフラ計画、エネルギー管理、EV充電施設のグリッド統合に関する貴重な洞察を提供する能力を示す。 システムのモジュール設計により、さまざまな使用パターンで異なる充電場所への適応が可能となり、多様なデプロイメントシナリオにまたがって適用できるようになる。

関連論文リスト

• Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer [0.0]
  本研究では,BI-LSTM埋め込み型自動エンコーダモデル(BDM)を提案する。 提案モデルの性能をTransformer, CNN, RNN, LSTM, GRUなどのベンチマークモデルと比較することにより評価した。
  論文  参考訳（メタデータ） (2025-09-21T17:16:32Z)
• End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
  本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。 このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。 2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-22T13:28:18Z)
• Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
  本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。 各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。 微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
  論文  参考訳（メタデータ） (2024-11-01T03:35:04Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Multiscale Spatio-Temporal Enhanced Short-term Load Forecasting of Electric Vehicle Charging Stations [4.239428835958199]
  電気自動車(EV)の急速な拡大により、電気自動車充電ステーション(EVCS)の負荷予測がますます重要になっている。 EVCSの正確な負荷予測を実現する上での最大の課題は、充電行動の非線形性、異なるステーション間の空間的相互作用、使用パターンの複雑な時間的変動を考慮することである。 EVCSにおける負荷予測のためのマルチスケール時空間拡張モデル(MSTEM)を提案する。
  論文  参考訳（メタデータ） (2024-05-29T12:54:22Z)
• Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
  本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。 事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。 多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
  論文  参考訳（メタデータ） (2024-02-04T06:55:55Z)
• 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)
• Communication-Efficient Design of Learning System for Energy Demand Forecasting of Electrical Vehicles [5.704507128756151]
  時系列エネルギー利用予測問題に対する機械学習の応用は、様々な要因により難しい課題である。 本稿では,トランスアーキテクチャの最近の進歩を組み合わせた通信効率のよい時系列予測モデルを提案する。 提案モデルでは,トレーニング中のデータレートを著しく低減しつつ,性能が同等であることが示されている。
  論文  参考訳（メタデータ） (2023-09-04T00:30:25Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)

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。