論文の概要: A Multi-View Multi-Timescale Hypergraph-Empowered Spatiotemporal Framework for EV Charging Forecasting

• arxiv url: http://arxiv.org/abs/2511.22072v1
• Date: Thu, 27 Nov 2025 03:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.379909
• Title: A Multi-View Multi-Timescale Hypergraph-Empowered Spatiotemporal Framework for EV Charging Forecasting
• Title（参考訳）: EV充電予測のためのマルチビューマルチタイムハイパーグラフ駆動時空間フレームワーク
• Authors: Jinhao Li, Hao Wang,
• Abstract要約: 我々は,ハイパグラフの表現力を活用し,EV充電パターンに隠された高次依存関係をモデル化する新しい予測フレームワークを開発した。 4つの公開データセットの実験では、HyperCastは、最先端のベースラインの広い範囲で大幅にパフォーマンスが向上している。
• 参考スコア（独自算出の注目度）: 3.720005287197028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate electric vehicle (EV) charging demand forecasting is essential for stable grid operation and proactive EV participation in electricity market. Existing forecasting methods, particularly those based on graph neural networks, are often limited to modeling pairwise relationships between stations, failing to capture the complex, group-wise dynamics inherent in urban charging networks. To address this gap, we develop a novel forecasting framework namely HyperCast, leveraging the expressive power of hypergraphs to model the higher-order spatiotemporal dependencies hidden in EV charging patterns. HyperCast integrates multi-view hypergraphs, which capture both static geographical proximity and dynamic demand-based functional similarities, along with multi-timescale inputs to differentiate between recent trends and weekly periodicities. The framework employs specialized hyper-spatiotemporal blocks and tailored cross-attention mechanisms to effectively fuse information from these diverse sources: views and timescales. Extensive experiments on four public datasets demonstrate that HyperCast significantly outperforms a wide array of state-of-the-art baselines, demonstrating the effectiveness of explicitly modeling collective charging behaviors for more accurate forecasting.
• Abstract（参考訳）: 電気自動車(EV)の充電需要予測は、電力市場における安定したグリッド運転と積極的EV参加に不可欠である。 既存の予測手法(特にグラフニューラルネットワークに基づくもの)は、しばしばステーション間のペアワイズ関係のモデリングに限られ、都市部充電ネットワークに固有の複雑なグループワイズダイナミクスを捉えることができない。 このギャップに対処するため,我々はハイパーグラフの表現力を活用し,EV充電パターンに隠された高次時空間依存性をモデル化する新しい予測フレームワークHyperCastを開発した。 HyperCastは、静的な地理的近接と動的需要に基づく機能的類似点の両方をキャプチャするマルチビューハイパーグラフと、最近のトレンドと週毎の周期性を区別するマルチタイム入力を統合している。 このフレームワークは、特別な超時空間ブロックと調整されたクロスアテンション機構を使用して、これらの多様なソース(ビューとタイムスケール)から情報を効果的に融合する。 4つの公開データセットに対する大規模な実験により、HyperCastは幅広い最先端のベースラインを大幅に上回り、より正確な予測のために集合的な充電動作を明示的にモデル化するの有効性を示している。

関連論文リスト

• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Wavelet-Enhanced Neural ODE and Graph Attention for Interpretable Energy Forecasting [0.0]
  本稿では、連続時間ニューラル正規微分方程式(Neural ODE)とグラフアテンションを統合するニューラルネットワークフレームワークを提案する。 多様なマルチスケールの時間的ダイナミクスを捕捉し、モデル化する。 このモデルはSHAP分析により解釈可能性を高め、持続可能なエネルギー応用に適合する。
  論文  参考訳（メタデータ） (2025-07-14T10:23:18Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• 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)
• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• 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)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。