論文の概要: Discovering EV Charging Site Archetypes Through Few Shot Forecasting: The First U.S.-Wide Study

• arxiv url: http://arxiv.org/abs/2510.26910v1
• Date: Thu, 30 Oct 2025 18:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 19:57:09.731432
• Title: Discovering EV Charging Site Archetypes Through Few Shot Forecasting: The First U.S.-Wide Study
• Title（参考訳）: EVを充電するサイトアーチタイプを数枚のショット予測で発見:米国における最初の研究
• Authors: Kshitij Nikhal, Luke Ackerknecht, Benjamin S. Riggan, Phil Stahlfeld,
• Abstract要約: 輸送の脱炭は電気自動車(EV)の普及に依存している 既存の作業は、小規模なデータセット、時間的依存関係の単純な近接ベースモデリング、運用履歴に制限のあるサイトへの弱い一般化によって制限されている。 本研究は、新しい大規模充電需要データセットを用いて、クラスタリングと数ショット予測を統合して、サイトアーキタイプを明らかにするフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5866079116942815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The decarbonization of transportation relies on the widespread adoption of electric vehicles (EVs), which requires an accurate understanding of charging behavior to ensure cost-effective, grid-resilient infrastructure. Existing work is constrained by small-scale datasets, simple proximity-based modeling of temporal dependencies, and weak generalization to sites with limited operational history. To overcome these limitations, this work proposes a framework that integrates clustering with few-shot forecasting to uncover site archetypes using a novel large-scale dataset of charging demand. The results demonstrate that archetype-specific expert models outperform global baselines in forecasting demand at unseen sites. By establishing forecast performance as a basis for infrastructure segmentation, we generate actionable insights that enable operators to lower costs, optimize energy and pricing strategies, and support grid resilience critical to climate goals.
• Abstract（参考訳）: 輸送の脱炭は電気自動車(EV)の普及に依存しており、コスト効率のよいグリッドレジリエントなインフラを確保するためには、充電行動の正確な理解が必要である。 既存の作業は、小規模なデータセット、時間的依存関係の単純な近接ベースモデリング、運用履歴に制限のあるサイトへの弱い一般化によって制限されている。 これらの制限を克服するため、この研究はクラスタリングと数ショットの予測を統合するフレームワークを提案し、新しい大規模な充電需要データセットを使用して、サイトアーキタイプを明らかにする。 その結果, 古型特化専門家モデルは, 未知の場所での需要予測において, グローバルベースラインを上回っていることがわかった。 インフラセグメンテーションの基盤として予測性能を確立することで、コスト削減、エネルギーと価格戦略の最適化、気候目標に不可欠なグリッドレジリエンスのサポートを可能にする実用的な洞察を生み出す。

関連論文リスト

• Contrastive Self-Supervised Learning at the Edge: An Energy Perspective [47.71700347940481]
  我々は,SimCLR,MoCo,SimSiam,Barlow Twinsの4つのコントラスト学習フレームワークの評価を行った。 我々は,これらのCLフレームワークのエッジおよびフォグ展開の実現可能性に注目し,体系的なベンチマーク戦略を導入する。 この結果,SimCLRは計算コストの認識に反し,様々なデータ体制における省エネ効果を実証していることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T15:57:44Z)
• Learning More with Less: A Generalizable, Self-Supervised Framework for Privacy-Preserving Capacity Estimation with EV Charging Data [84.37348569981307]
  自己教師付き事前学習に基づく第一種能力推定モデルを提案する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-05T08:58:35Z)
• Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation [0.0]
  本研究は, 産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処するものである。 短時間負荷予測(STLF)と短時間負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し比較した。
  論文  参考訳（メタデータ） (2025-06-04T12:01:11Z)
• Data-Driven Optimization of EV Charging Station Placement Using Causal Discovery [6.061650526072546]
  本研究では,Palo Alto と Boulder の充電データを分析し,駅特性と利用率の関係を明らかにする。 このデータに構造学習アルゴリズムを適用することで、充電需要は、アメニティへの近さ、EV登録密度、高軌道への隣接性の3つの要因によって決定されることが明らかになった。 我々は、これらの洞察を実行可能な配置レコメンデーションに変換する最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-21T11:15:02Z)
• Interpreting and Improving Attention From the Perspective of Large Kernel Convolution [51.06461246235176]
  本稿では,LKCA(Large Kernel Convolutional Attention)について紹介する。 LKCAは、特にデータ制約のある設定において、様々な視覚的タスク間での競合性能を達成する。
  論文  参考訳（メタデータ） (2024-01-11T08:40:35Z)
• A Data-Driven Framework for Improving Public EV Charging Infrastructure: Modeling and Forecasting [13.950084838642228]
  既存の充電インフラは、急速に増加する充電需要を維持できなくなるのではないかと考えられている。 現在、適切なQoE指標がなければ、EV充電ステーションの性能を評価するのに、オペレーターは著しく困難に直面している。 本稿では,新規かつオリジナルなQoEパフォーマンス指標の定式化を通じて,このギャップを埋めることを目的とする。
  論文  参考訳（メタデータ） (2023-12-08T19:37:15Z)
• Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting [12.431475555894089]
  本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。 我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。 インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
  論文  参考訳（メタデータ） (2023-10-24T09:17:47Z)
• 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)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Federated Learning for Short-term Residential Energy Demand Forecasting [4.769747792846004]
  エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。 供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。 しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
  論文  参考訳（メタデータ） (2021-05-27T17:33:09Z)

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。