論文の概要: Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility

• arxiv url: http://arxiv.org/abs/2607.21444v1
• Date: Thu, 23 Jul 2026 15:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.466891
• Title: Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility
• Title（参考訳）: 持続可能な都市における耐候性電気自動車充電インフラ:予防保全と低炭素移動のための解釈可能な因果アンサンブルフレームワーク
• Abstract要約: 我々は, 耐気候性充電・アセット管理のための意思決定支援システムFGDSEを開発した。 ヘテロジニアス信号を4つの特徴ファミリに分割し、インダクティブバイアスがデータにマッチするドメインエキスパートにそれぞれ割り当て、短期パルスと長期劣化のための2つの深い時間的専門家を追加する。 13の駅から25ヶ月のデータでは、FGDSEは10日間の地平線を超えた12の基準線を超え、30日間で約85%のマクロリコールを持続し、AUC崩壊はわずか3.2ポイントであり、支配のシフトを示す。
• 参考スコア（独自算出の注目度）: 4.19518803950435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable electric vehicle (EV) charging infrastructure is a cornerstone of sustainable, low-carbon cities, yet urban climate stress such as extreme heat, heavy precipitation, and humidity increasingly raises equipment fault risk and undermines the resilience of urban energy and mobility services. Shifting operation from reactive repair to preventive maintenance depends on accurate, forward-looking fault-risk prediction, a task complicated by the heterogeneous time scales of physical, behavioral, contextual, and historical signals and by forecasting over a multi-week horizon. We develop FGDSE, a feature-governed dynamic stacking ensemble that forms an interpretable decision-support system for climate-resilient charging-asset management. It partitions heterogeneous signals into four feature families, assigns each to a domain expert whose inductive bias matches the data, and adds two deep temporal experts for short-term pulses and long-term degradation; a horizon-wise gating mechanism then learns adaptive weights to forecast daily fault risk over 1 to 30 days. SHAP attribution and an X-learner extend the probabilistic output into causal decision support with post-level treatment effects. On 25 months of data from 13 stations, FGDSE surpasses twelve baselines beyond the ten-day horizon, sustains about 85% macro-recall at 30 days with an AUC decay of only 3.2 points, and reveals a shift of dominance from fault history toward climate stress. It identifies extreme heat as the sole exposure whose causal effect amplifies over time, flagging roughly 30% of posts as heat-sensitive and yielding quantitative thresholds for climate-adaptive maintenance that strengthens urban mobility resilience and sustains low-carbon travel.
• Abstract（参考訳）: 信頼性の高い電気自動車(EV)の充電インフラは、持続可能で低炭素の都市の基礎であり、過熱、降水量、湿度といった都市気候のストレスは設備の故障リスクを増大させ、都市エネルギーと移動サービスのレジリエンスを損なう。 反応的修復から予防的維持への操作のシフトは、物理的、行動的、文脈的、歴史的信号の不均一な時間スケールによって複雑化し、複数週間の地平線を予測することによって、正確で前向きなフォールトリスク予測に依存する。 我々は, 耐気候性充電・アセット管理のための解釈可能な意思決定支援システムFGDSEを開発した。 不均一な信号を4つの特徴ファミリに分割し、インダクティブバイアスがデータにマッチするドメインエキスパートにそれぞれを割り当て、短パルスと長期劣化に関する2つの深い時間的専門家を追加します。 SHAPアトリビューションとXラーナーは、確率出力を、ポストレベルの治療効果を伴う因果決定支援に拡張する。 FGDSEは10日間の地平線を超える12の基準線を超え、30日間で約85%のマクロリコールを持続し、AUCの崩壊はわずか3.2ポイントであり、断層履歴から気候ストレスへの支配のシフトを示している。 極端熱は唯一の露光であり、因果効果は時間の経過とともに増幅され、約30%のポストが熱に敏感で、都市部の流動性を高め、低炭素移動を維持する気候適応性維持のための定量的な閾値を達成していると宣言している。

関連論文リスト

• ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control [19.871939624912073]
  ADAPTはHVAC制御のための物理学的条件付き屋内環境世界モデルである。 HVACのエネルギー消費を7.3%削減し、IID制御下にある最先端のベースラインと比較して、住民の不快感を30.2%削減する。
  論文  参考訳（メタデータ） (2026-08-20T08:58:28Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Emission-Aware Reinforcement Learning for Sustainable Electric Vehicle Charging and Carbon Dioxide Reduction Under Varying Renewable Penetration [1.4498318750453458]
  電気自動車(EV)の採用は、ピーク負荷のスパイク、電圧不安定性、および非コーディネート充電によるトランスフォーマー過負荷を通じて電力分配ネットワークに挑戦する。 既存の手法では、リアルタイムの炭素強度や変動する再生可能エネルギー(RE)を主要なスケジューリング目的として扱うことは稀である。 本稿では,SAC(Soft Actor Critic)アルゴリズムをベースとした,炭素排出量の削減,現場での再生可能エネルギーの削減,ユーザ需要の未達成といった,多目的報酬を用いた発光対応RL戦略を提案する。
  論文  参考訳（メタデータ） (2026-05-23T12:19:45Z)
• A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features [3.0294044944521694]
  本研究では,日頭熱需要予測のための新しいディープラーニングフレームワークを提案する。 連続ウェーブレット変換を需要および外部気象要因に適用することにより、畳み込みニューラルネットワークが階層的時間的特徴を学習することを可能にする。 その結果,平均絶対誤差は最強のベースラインに比べて36%から43%減少した。
  論文  参考訳（メタデータ） (2026-03-01T14:40:13Z)
• Modular Deep-Learning-Based Early Warning System for Deadly Heatwave Prediction [53.09098740555834]
  DeepThermは、熱関連の死亡履歴を必要としない、致命的な熱波予測のためのモジュール式早期警報システムである。 ディープラーニングの柔軟性を強調して、DeepThermは二重予測パイプラインを採用し、ヒートウェーブがない場合にベースラインの死亡率を下げている。 その結果、様々な地域、期間、人口集団で一貫した、堅牢で正確なパフォーマンスを示しながら、誤報と誤報のトレードオフを可能にした。
  論文  参考訳（メタデータ） (2025-12-09T19:37:49Z)
• Hazard-Responsive Digital Twin for Climate-Driven Urban Resilience and Equity [19.386626403817246]
  本稿では,物理インフォームドニューラルネットワークモデリング,マルチモーダルデータ融合,プリエンプティブとエクイティ対応リスク分析を組み合わせたH-RDT(Hazard-Responsive Digital Twin)を提案する。 多様な建築様式と人口を持つ合成地区において, シミュレーションされた山火事・停電・熱波カスケードは, H-RDTが室内温度を安定的に予測することを示す。 冷却中心活性化やマイクログリッド共有といった介入は、人口重み付け熱リスクを11～13%減らし、95%(テール)リスクを7～17%減らし、過熱時間を最大17%減らした。
  論文  参考訳（メタデータ） (2025-10-27T02:55:09Z)
• Planning for Cooler Cities: A Multimodal AI Framework for Predicting and Mitigating Urban Heat Stress through Urban Landscape Transformation [5.5253906228458955]
  GSM-UTCIは1m超局所分解能の日平均温度指数(UTCI)を予測するために設計された多モード深層学習フレームワークである。 R2は0.9151、平均絶対誤差は0.41degCであり、都市全体の推定時間は数時間から5分以内である。 その結果, 空間的に不均一だが一貫した冷却効果が示され, 木間変換が最良となることがわかった。
  論文  参考訳（メタデータ） (2025-07-30T18:05:43Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Forecasting Electric Vehicle Charging Station Occupancy: Smarter Mobility Data Challenge [0.0]
  Smarter Mobility Data Challengeは、EV充電ステーションの占有率を予測する予測モデルの開発に注力している。 この課題は、2020年から2021年の間に4つの地理的領域にわたる91の充電ステーションのデータセットを分析した。 その結果、EV充電ステーションの占有率を正確に予測するための階層的予測手法の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-06-09T07:22:18Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)

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。