論文の概要: EVNextTrade: Learning-to-Rank-Based Recommendation of Next Charging Nodes for EV-EV Energy Trading
- arxiv url: http://arxiv.org/abs/2603.26688v1
- Date: Sat, 14 Mar 2026 12:33:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 02:36:13.07729
- Title: EVNextTrade: Learning-to-Rank-Based Recommendation of Next Charging Nodes for EV-EV Energy Trading
- Title（参考訳）: EVNextTrade:EV-EVエネルギートレーディングのための次の充電ノードの学習と学習に基づく推奨
- Authors: Md Mahfujur Rahmana, Alistair Barros, Raja Jurdak, Darshika Koggalahewa,
- Abstract要約: 電気自動車(EV)間のピアツーピアエネルギー取引は、サプライサイドレジリエンスを改善するための有望なソリューションとして、ますます研究されている。
そこで本稿では,大規模都市EVモビリティデータセットに適用した教師付きランキングフレームワークを提案する。
我々は、候補充電ノードに富んだEV走行記録に基づいて、LightGBMを含む勾配ブースト学習 to ランクモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 3.4712047883160184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Peer-to-peer energy trading among electric vehicles (EVs) has been increasingly studied as a promising solution for improving supply-side resilience under growing charging demand and constrained charging infrastructure. While prior studies on EV-EV energy trading and related EV research have largely focused on transaction management or isolated mobility prediction tasks, the problem of identifying which charging nodes are more suitable for EV-EV trading in journey contexts remains open. We address this gap by formulating next charging nodes recommendation as a learning-to-rank problem, where each EV decision event is associated with a set of candidate charging locations. We propose a supervised ranking framework applied to a large-scale urban EV mobility dataset comprising millions of journey records and multidimensional EV trading-related features, including EV energy level, trading role, distance to charging locations, charging speed, and temporal station popularity. To account for uncertainty arising from the mobility of both energy providers and consumers, as well as the presence of multiple viable charging nodes at a decision point, we employ probabilistic relevance refinement to generate graded labels for ranking. We evaluate gradient-boosted learning-to-rank models, including LightGBM, XGBoost, and CatBoost, on EV journey records enriched with candidate charging nodes. Experimental results show that LightGBM consistently achieves the strongest ranking performance across standard metrics, including NDCG@k, Recall@k, and MRR, with particularly strong early-ranking quality, reflected in the highest NDCG@1 (0.9795) and MRR (0.9990). These results highlight the effectiveness of uncertainty-aware learning-to-rank for charging node recommendation and support improved coordination and matching in decentralized EV-EV energy trading systems.
- Abstract（参考訳）: 電気自動車(EV)間のピアツーピアエネルギートレーディングは、充電需要の増加と充電インフラの制約により、供給側のレジリエンスを改善するための有望なソリューションとして、ますます研究されている。
EV-EVエナジートレーディングと関連するEV研究は、主にトランザクション管理や孤立したモビリティ予測タスクに重点を置いているが、どの充電ノードがEV-EVトレーディングに適しているかという問題は、旅程において未解決のままである。
我々は、次の充電ノードの推薦を学習からランクまでの問題として定式化し、それぞれのEV決定イベントを候補の充電場所と関連付けることで、このギャップに対処する。
そこで本稿では, 数百万回の走行記録と, EVエネルギレベル, トレーディングロール, 充電位置間距離, 充電速度, 時間的ステーション人気などの多次元EVトレーディング関連特徴からなる大規模都市EVモビリティーデータセットに適用した, 教師付きランキングフレームワークを提案する。
エネルギー提供者と消費者の両方の移動性から生じる不確実性や、決定点における複数の充電ノードの存在を考慮し、我々は、ランク付けのためのグレード付きラベルを生成する確率的関連性改善を採用する。
光GBM, XGBoost, CatBoostなどの勾配ブースト学習-ランクモデルについて, 候補充電ノードに富んだEV走行記録について検討した。
実験の結果,LightGBM は NDCG@k や Recall@k , MRR などの標準指標で常に最強のランク付け性能を達成しており,特に早期品質の強いものが NDCG@1 (0.9795) と MRR (0.9990) に反映されていることがわかった。
これらの結果は、充電ノードレコメンデーションにおける不確実性対応学習-ランクの有効性を強調し、分散EV-EVエネルギトレーディングシステムにおけるコーディネーションと整合性の改善を支援する。
関連論文リスト
- Electric Vehicle Identification from Behind Smart Meter Data [14.982451748073409]
電気自動車(EV)の充電は、スマートメーター記録の裏側からの負荷の特定が不可欠である。
本稿では、教師なし学習手法を用いて、低周波スマートメータからのEV充電負荷同定の問題に対処する。
実際には豊富な非EVユーザーの実際の消費電力データしか必要としない。
論文 参考訳（メタデータ） (2025-09-11T10:10:26Z) - 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) - Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning [4.9855485718502015]
電気自動車(EV)の採用は増え続けており、EV充電ステーションのエネルギー管理が極めて重要である。
従来の研究では、グリッド安定性を維持しながらEV充電のエネルギーコストを削減できた。
本稿では,各充電器をエージェントとして扱うマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2025-05-24T15:34:37Z) - A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in
Smart Grids [0.0]
本研究では、Deep Q-Learningを利用して、マイクログリッド内におけるEVの充電および排出活動のスケジューリングを行うモデルフリーソリューションを提案する。
我々は,EVスケジューリング動作に対する特定の報酬に基づいて状態の値を評価するためにベルマン方程式を適用し,ニューラルネットワークを用いて利用可能な動作に対するQ値とエプシロングレーディアルゴリズムを用いて,目標エネルギープロファイルを満たすために,エクスプロイトと探索のバランスをとる。
論文 参考訳（メタデータ） (2024-01-05T06:04:46Z) - Electric Vehicles coordination for grid balancing using multi-objective
Harris Hawks Optimization [0.0]
再生可能エネルギーの台頭は、地域グリッドのエネルギー収支に技術的および運用上の課題をもたらす電気自動車(EV)へのシフトと一致している。
複数のEVからグリッドへの電力フローの調整には、高度なアルゴリズムとロードバランシング戦略が必要である。
本稿では,安定した電力供給と安定したローカルグリッドの維持を目標として,一日のEVフリート調整モデルを提案する。
論文 参考訳（メタデータ） (2023-11-24T15:50:37Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - MARL for Decentralized Electric Vehicle Charging Coordination with V2V
Energy Exchange [5.442116840518914]
本稿では、車両間エネルギー交換(V2V)を考慮したEV充電調整について述べる。
本稿では,EV充電とV2Vエネルギー交換を協調するマルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2023-08-27T14:06:21Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳（メタデータ） (2022-10-04T08:22:46Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳（メタデータ） (2021-11-13T15:03:44Z) - Intelligent Electric Vehicle Charging Recommendation Based on
Multi-Agent Reinforcement Learning [42.31586065609373]
電気自動車(ev)はその環境とエネルギーの持続可能性のために現代の交通システムで選択されている。
多くの都市では、限られた充電インフラとほとんどバランスの取れない充電需要のために、EVドライバーは充電に適した場所を見つけることができません。
公共充電ステーションをインテリジェントに推奨する,マルチエージェント時空間時空間学習(MasterReinforce)というフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-15T06:23:59Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。