論文の概要: Spatio-temporal modelling of electric vehicle charging demand

• arxiv url: http://arxiv.org/abs/2604.19841v1
• Date: Tue, 21 Apr 2026 09:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.642391
• Title: Spatio-temporal modelling of electric vehicle charging demand
• Title（参考訳）: 電気自動車充電需要の時空間モデリング
• Authors: Kaoutar Bouaachra, Yvenn Amara-Ouali, Yannig Goude, Raphaël Lachieze-Rey,
• Abstract要約: スコットランド全土で収集された新しいスケールの時系列データセット(2022年2025年)を紹介する。 我々は、Integrated Nested Laplace Approximation (INLA)を介して、潜在潜在潜在ガウス場としてのEV充電需要を近似推論する。 駅レベルの予測タスクでは,機械学習ベースラインに対する競合予測精度が向上し,また,リスク認識インフラ計画に不可欠な基本的不確かさの定式化と空間的・時間的分解特性の解釈が可能となった。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of electric vehicle (EV) charging demand is critical for grid management and infrastructure planning. Yet the field continues to rely on legacy benchmarks; such as the Palo Alto (2020) dataset; that fail to reflect the scale and behavioral diversity of modern charging networks. To address this, we introduce a novel large-scale longitudinal dataset collected across Scotland (2022 2025), which release it as an open benchmark for the community. Building on this dataset, we formulate EV charging demand as a spatio-temporal latent Gaussian field and perform approximate Bayesian inference via Integrated Nested Laplace Approximation (INLA). The resulting model jointly captures spatial dependence, temporal dynamics, and covariate effects within a unified proba bilistic framework. On station-level forecasting tasks, our approach achieves competitive predictive accuracy against machine learning baselines, while additionally providing principled uncertainty quan tification and interpretable spatial and temporal decompositions properties that are essential for risk-aware infrastructure planning.
• Abstract（参考訳）: 電気自動車(EV)の充電需要の正確な予測は、グリッド管理とインフラ計画にとって重要である。 しかし、この分野は、Palo Alto (2020) データセットのようなレガシーなベンチマークに依存し続けており、現代の充電ネットワークのスケールと振る舞いの多様性を反映していない。 この問題に対処するため,スコットランド全域で収集された大規模な時系列データセット(2022年2025年)を導入し,コミュニティのオープンベンチマークとして公開する。 このデータセットに基づいてEV充電需要を時空間潜在ガウス場として定式化し,Integrated Nested Laplace Approximation (INLA) を用いてベイズ推定を行う。 得られたモデルは、統一された確率的枠組みの中で、空間的依存、時間的ダイナミクス、共変量効果を共同でキャプチャする。 駅レベルの予測タスクでは,機械学習ベースラインに対する競合予測精度が向上し,また,リスク認識インフラ計画に不可欠な基本的不確かさの定式化と空間的・時間的分解特性の解釈が可能となった。

関連論文リスト

• LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus [2.242735348583755]
  このフレームワークは、複数の場所から大量の生データを処理し、正規化と特徴抽出によってLSTMを訓練する。 モデルが複数の時間スケールで充電需要を正確に予測する能力は、インフラ計画、エネルギー管理、グリッド統合に貴重な洞察を与えてくれる。
  論文  参考訳（メタデータ） (2025-10-19T05:23:21Z)
• Spatio-Temporal Graph Convolutional Networks for EV Charging Demand Forecasting Using Real-World Multi-Modal Data Integration [1.83159883923531]
  輸送は温室効果ガスの排出に大きく貢献している。 本研究では,グラフ・コナール・ネットワークと時間的アーキテクチャを組み合わせた時間的予測フレームワークであるTW-GCNを紹介する。 我々は、実世界の交通の流れ、気象条件、および独自のデータを利用して、空間的依存と時間的ダイナミクスの両方を捉える。
  論文  参考訳（メタデータ） (2025-10-10T06:31:17Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• 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)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。