論文の概要: A Behavior-Guided Online Probabilistic Forecasting Method for Electric vehicle Charging Loads
- arxiv url: http://arxiv.org/abs/2608.24441v1
- Date: Tue, 25 Aug 2026 11:57:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.953934
- Title: A Behavior-Guided Online Probabilistic Forecasting Method for Electric vehicle Charging Loads
- Title（参考訳）: 電気自動車充電負荷に対する行動誘導型オンライン確率予測法
- Abstract要約: 本稿では, 持続的駅特化パターンと最近の行動変化を特徴付ける行動誘導型オンライン確率予測フレームワークを提案する。
10個の異種実世界の充電ステーションの実験では、提案手法が従来の予測モデルより一貫して優れていることが示された。
- 参考スコア（独自算出の注目度）: 33.861885150315366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electric vehicle (EV) charging loads exhibit strong behavioral heterogeneity and temporal variability, posing significant challenges for online probabilistic forecasting under evolving operating conditions. In particular, persistent charging patterns may differ substantially across stations, while recent behavioral changes can continuously alter the underlying load distributions. This paper proposes a behavior-guided online probabilistic forecasting framework that explicitly characterizes persistent station-specific patterns and recent behavioral changes. A dual-timescale behavior representation is constructed to distinguish long-term charging characteristics from recent behavioral states and quantify their deviations. These behavioral changes are further semantically encoded to guide drift-aware forecasting adaptation, while a delayed-feedback mechanism ensures temporally consistent online updates when observations become available across different forecasting horizons. Experiments on ten heterogeneous real-world charging stations demonstrate that the proposed method consistently outperforms conventional forecasting models and concept-drift-aware online baselines in forecasting accuracy and probabilistic reliability. For 1-h-ahead forecasting, the proposed method reduces MSE and Pinball loss by 15.3\% and 17.8\%, respectively, over the corresponding best baselines. For 4-h-ahead forecasting, the improvements further reach 16.8\% and 22.6\%, respectively, demonstrating consistent performance gains under evolving charging behaviors and extended forecasting horizons.
- Abstract（参考訳）: 電気自動車(EV)の充電負荷は、行動の不均一性と時間的変動が強く、進化する運転条件下でのオンライン確率予測において重要な課題となっている。
特に、持続的な充電パターンはステーション間で大きく異なる場合があるが、最近の行動変化は、基礎となる負荷分布を継続的に変更することができる。
本稿では, 持続的ステーション固有パターンと最近の行動変化を明示的に特徴付ける, 行動誘導型オンライン確率予測フレームワークを提案する。
長期帯電特性と最近の行動状態とを区別し,その偏差を定量化するために,デュアル・タイムスケールな行動表現を構築した。
これらの行動変化は、さらに意味論的に符号化され、ドリフト認識予測適応を導出する一方、遅延フィードバック機構により、異なる予測水平線で観測が可能になったときに、時間的に一貫したオンライン更新が保証される。
10個の異種実世界の充電ステーションでの実験により,提案手法は従来の予測モデルやコンセプトドリフトを意識したオンラインベースラインを常に上回り,精度と確率的信頼性を予測できることを示した。
1-h-ahead 予測では,MSE と Pinball の損失をそれぞれ 15.3 % と 17.8 % に削減する。
4-hヘッド予測では、それぞれ16.8\%と22.6\%に向上し、充電行動の進化と予測水平線の拡張の下で一貫した性能向上を示す。
関連論文リスト
- Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting [30.49998293741518]
時系列予測は、特に将来のダイナミクスがマルチモーダルである場合、しばしば過度に平滑化に悩まされる。
モード保存型予測フレームワークであるDirichlet-Guided Group Forecasting (DGF)を提案する。
DGFはディリクレ誘導の階層的なサンプリング機構と報酬に基づく最適化を使用して、正確で、動的に一貫性があり、モード固有の予測を促進する。
論文 参考訳（メタデータ） (2026-06-09T08:56:21Z) - Stabilizing distribution-free probabilistic forecasts [5.716454975957337]
我々は、予測品質とともに予測安定性を、分布のない確率的時系列予測モデルのトレーニングに統合する。
本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。
統計的特性が異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく,予測不安定性を効果的に低減できることを示す。
論文 参考訳（メタデータ） (2026-05-27T14:25:05Z) - Embracing Heteroscedasticity for Probabilistic Time Series Forecasting [22.43559255963294]
Location-Scale Gaussian VAE (LSG-VAE) は、予測平均と時間依存分散の両方を明示的にパラメータ化する、単純だが効果的なフレームワークである。
LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-03-25T12:48:50Z) - Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。
本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-18T21:14:07Z) - DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of
EV Charging Load [21.784993854707288]
我々は、EV充電の確率的負荷予測のための新しい拡散モデルDiffPLFを考案した。
本稿では,DiffPLFを確率的時系列予測タスクに適応させるタスクインフォームド微調整手法を提案する。
その結果,従来の方法と比較して,MAEおよびCRPSでは39.58%,49.87%の顕著な上昇がみられた。
論文 参考訳（メタデータ） (2024-02-21T06:07:33Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model [22.428737156882708]
再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。
本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
論文 参考訳（メタデータ） (2023-05-31T05:04:50Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - 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) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳（メタデータ） (2020-10-27T21:02:26Z)
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。