論文の概要: Enabling Delayed-Full Charging Through Transformer-Based Real-Time-to-Departure Modeling for EV Battery Longevity
- arxiv url: http://arxiv.org/abs/2512.07723v2
- Date: Wed, 10 Dec 2025 00:12:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.217658
- Title: Enabling Delayed-Full Charging Through Transformer-Based Real-Time-to-Departure Modeling for EV Battery Longevity
- Title（参考訳）: 変圧器を用いたEVバッテリ寿命モデルによる遅延フル充電の実現
- Authors: Yonggeon Lee, Jibin Hwang, Alfred Malengo Kondoro, Juhyun Song, Youngtae Noh,
- Abstract要約: 電気自動車(EV)は持続可能なモビリティの鍵であるが、リチウムイオン電池(LIB)は長期の高電荷状態(SOC)下でより急速に劣化する。
これは、全充電を出発直前まで遅らせることによって緩和することができる。
本研究では,Transformer-based real-time-to-event (TTE)モデルを提案する。
- 参考スコア（独自算出の注目度）: 5.249775607299667
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electric vehicles (EVs) are key to sustainable mobility, yet their lithium-ion batteries (LIBs) degrade more rapidly under prolonged high states of charge (SOC). This can be mitigated by delaying full charging \ours until just before departure, which requires accurate prediction of user departure times. In this work, we propose Transformer-based real-time-to-event (TTE) model for accurate EV departure prediction. Our approach represents each day as a TTE sequence by discretizing time into grid-based tokens. Unlike previous methods primarily dependent on temporal dependency from historical patterns, our method leverages streaming contextual information to predict departures. Evaluation on a real-world study involving 93 users and passive smartphone data demonstrates that our method effectively captures irregular departure patterns within individual routines, outperforming baseline models. These results highlight the potential for practical deployment of the \ours algorithm and its contribution to sustainable transportation systems.
- Abstract（参考訳）: 電気自動車(EV)は持続可能なモビリティの鍵であるが、リチウムイオン電池(LIB)は長期の高電荷状態(SOC)下でより急速に劣化する。
これは、フル充電の \ours を出発直前まで遅らせることによって緩和することができる。
本研究では,Transformer-based real-time-to-event (TTE)モデルを提案する。
我々のアプローチは、グリッドベースのトークンに時間を離散化することで、毎日TTEシーケンスとして表現している。
従来の手法とは違い,従来の手法では時間的依存が強く,ストリーミングのコンテキスト情報を利用して出発を予測していた。
93ユーザと受動的スマートフォンデータを用いた実世界調査の結果,本手法は,各ルーチンにおける不規則な離脱パターンを効果的に捉え,ベースラインモデルより優れていることが示された。
これらの結果は,Shaoursアルゴリズムの実用化の可能性と,持続可能な輸送システムへの貢献を浮き彫りにしている。
関連論文リスト
- TrajDiff: End-to-end Autonomous Driving without Perception Annotation [65.49718343700319]
エンドツーエンドの自動運転システムは、生センサ入力から直接駆動ポリシーを生成する。
TrajDiffはTrajectory-oriented BEV Conditioned Diffusionフレームワークであり、エンドツーエンドの自動運転のための知覚アノテーションのない生成方法を確立する。
NAVSIMベンチマークで評価すると、TrajDiffは87.5 PDMSを達成した。
論文 参考訳（メタデータ） (2025-11-30T04:34:20Z) - Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。
近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。
1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
論文 参考訳（メタデータ） (2025-06-09T12:57:37Z) - BatteryBERT for Realistic Battery Fault Detection Using Point-Masked Signal Modeling [1.7397173676239939]
本稿では,バッテリー故障検出のためのBERTスタイルの事前学習を適応する新しいフレームワークを提案する。
標準のBERTアーキテクチャを、カスタマイズされた時系列からトーケン表現モジュールと、ポイントレベルのマスケッド信号モデリング(point-MSM)プリトレーニングタスクで拡張する。
このアプローチは、シーケンシャル電流、電圧、その他の電荷放電サイクルデータに対する自己教師付き学習を可能にする。
論文 参考訳（メタデータ） (2025-05-31T06:06:08Z) - 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) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z) - Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。
我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
論文 参考訳（メタデータ） (2024-03-20T02:17:16Z) - Online Learning Models for Vehicle Usage Prediction During COVID-19 [2.287415292857564]
本研究は,オンライン機械学習モデルを用いて,1日1ドライブの出発時刻と距離を推定する。
オンライン機械学習モデルは、新型コロナウイルス(COVID-19)パンデミックの間、一連のBEVから収集された歴史的運転データに基づいてトレーニングされ、評価される。
この結果から, 最良性能予測モデルでは, 出発時刻の予測では平均絶対誤差が2.75時間, 走行距離の予測では13.37kmとなった。
論文 参考訳（メタデータ） (2022-10-28T09:09:34Z) - Transfer Learning and Vision Transformer based State-of-Health
prediction of Lithium-Ion Batteries [1.2468700211588883]
健康状態(SOH)の正確な予測は、電池寿命に対するユーザの不安を緩和するだけでなく、バッテリーの管理に重要な情報を提供する。
本稿では,視覚変換器(ViT)モデルに基づくSOHの予測手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T16:54:15Z) - Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach [1.7403133838762446]
電気自動車(EV)は電力システムにかなりの電力需要をもたらす可能性がある。
本プロジェクトでは,全国住宅ホルドサーベイ(NHTS)データを用いて旅行の順序を定めている。
我々は、旅行開始時間、終了時間、距離など、ドライバーの次の旅行のパラメータを予測する機械学習モデルを開発する。
論文 参考訳（メタデータ） (2021-06-11T15:53:59Z) - Universal Battery Performance and Degradation Model for Electric
Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。
我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。
このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文 参考訳（メタデータ） (2020-07-06T16:10:54Z)
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。