論文の概要: A Unified Variational Imputation Framework for Electric Vehicle Charging Data Using Retrieval-Augmented Language Model

• arxiv url: http://arxiv.org/abs/2601.13476v1
• Date: Tue, 20 Jan 2026 00:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.106081
• Title: A Unified Variational Imputation Framework for Electric Vehicle Charging Data Using Retrieval-Augmented Language Model
• Title（参考訳）: 検索言語モデルを用いた電気自動車充電データの統一的変分計算フレームワーク
• Authors: Jinhao Li, Hao Wang,
• Abstract要約: 電気自動車の充電データのための新しい確率的変動計算フレームワークを開発した。 PRAIMは、訓練済みの言語モデルを使用して、異種データをエンコードし、時系列要求、カレンダー機能、地理空間コンテキストにまたがる。 PRAIMは、計算精度と元のデータの統計分布を保存する能力の両方において、確立されたベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 3.720005287197028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliability of data-driven applications in electric vehicle (EV) infrastructure, such as charging demand forecasting, hinges on the availability of complete, high-quality charging data. However, real-world EV datasets are often plagued by missing records, and existing imputation methods are ill-equipped for the complex, multimodal context of charging data, often relying on a restrictive one-model-per-station paradigm that ignores valuable inter-station correlations. To address these gaps, we develop a novel PRobabilistic variational imputation framework that leverages the power of large lAnguage models and retrIeval-augmented Memory (PRAIM). PRAIM employs a pre-trained language model to encode heterogeneous data, spanning time-series demand, calendar features, and geospatial context, into a unified, semantically rich representation. This is dynamically fortified by retrieval-augmented memory that retrieves relevant examples from the entire charging network, enabling a single, unified imputation model empowered by variational neural architecture to overcome data sparsity. Extensive experiments on four public datasets demonstrate that PRAIM significantly outperforms established baselines in both imputation accuracy and its ability to preserve the original data's statistical distribution, leading to substantial improvements in downstream forecasting performance.
• Abstract（参考訳）: 電気自動車(EV)のインフラにおけるデータ駆動アプリケーションの信頼性は、充電需要予測のような、完全で高品質な充電データの可用性に依存している。 しかし、現実のEVデータセットは、欠落した記録に悩まされがちであり、既存の計算方法は、複雑なマルチモーダルな課金データのコンテキストに不適当であり、しばしば、貴重なステーション間相関を無視する1モデル当たりの制限的なパラダイムに依存している。 これらのギャップに対処するために,大規模なlAnguageモデルとretrIeval-augmented Memory(PRAIM)のパワーを利用する新しい確率的変動計算フレームワークを開発した。 PRAIMは訓練済みの言語モデルを用いて異種データを符号化し、時系列の要求、カレンダーの特徴、地理空間のコンテキストを統一的、意味的にリッチな表現に変換する。 これは、検索強化メモリによって動的に強化され、充電ネットワーク全体から関連する例を検索し、変分ニューラルアーキテクチャによって強化された単一の統一された計算モデルにより、データの間隔を克服する。 4つの公開データセットに対する大規模な実験により、PRAIMは、計算精度と元のデータの統計分布を保存する能力の両方において確立されたベースラインを著しく上回り、下流予測性能が大幅に向上することを示した。

関連論文リスト

• 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)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• CAAT-EHR: Cross-Attentional Autoregressive Transformer for Multimodal Electronic Health Record Embeddings [0.0]
  本稿では,タスク非依存の縦埋め込みを生のEHRデータから生成する新しいアーキテクチャであるCAAT-EHRを紹介する。 自己回帰デコーダは、事前訓練中に将来の時刻データを予測してエンコーダを補完し、その結果の埋め込みが時間的整合性と整合性を維持する。
  論文  参考訳（メタデータ） (2025-01-31T05:00:02Z)
• AdaPRL: Adaptive Pairwise Regression Learning with Uncertainty Estimation for Universal Regression Tasks [0.0]
  回帰タスクのための適応型ペアワイズ学習フレームワーク(AdaPRL)を提案する。 AdaPRLは、データポイントと深い確率モデルの間の相対的な差異を利用して、予測に関連する不確実性を定量化する。 実験により、AdaPRLが最近提案された回帰フレームワークにシームレスに統合され、パフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2025-01-10T09:19:10Z)
• 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)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。