論文の概要: Synthetic Electric Vehicle Charging Session Generation Using a Conditional Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2609.17808v1
• Date: Tue, 15 Sep 2026 20:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.53387
• Title: Synthetic Electric Vehicle Charging Session Generation Using a Conditional Variational Autoencoder
• Title（参考訳）: 条件付き変分オートエンコーダを用いた電気自動車帯電セッション生成
• Abstract要約: 本稿では,実取引レベルの課金データから合成EV充電セッションを生成するための条件付き変分オートエンコーダを提案する。 このモデルは、プラグインの持続時間、充電時間、送電エネルギー、充電遅延、循環時間を記述するエンジニアリングされたセッション機能に基づいて訓練されている。 その結果、提案手法は、元のデータセットの重要な統計特性を保存するための、合成EV充電セッションを生成することを示した。
• 参考スコア（独自算出の注目度）: 0.7799648230758492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adoption of electric vehicles (EVs) is expected to place significant additional demand on residential distribution networks, creating a need for realistic charging datasets for planning and simulation studies. However, access to real-world EV charging data is often limited due to privacy constraints, incomplete records, and restricted availability. This paper proposes a conditional variational autoencoder (CVAE) for the generation of synthetic EV charging sessions from real transaction-level charging data. The model is trained on engineered session features describing plug-in duration, charging duration, delivered energy, charging delay, and cyclical time-of-week, while conditioning on day of week and managed charging status. A Gaussian negative log-likelihood (NLL) reconstruction loss is employed to model feature-wise heteroscedastic uncertainty, and the latent space is regularised using a Kullback-Leibler (KL) divergence term. The statistical fidelity of the generated data is evaluated using distributional metrics and downstream task performance through the Train-on-Synthetic-Test-on-Real (TSTR) protocol. Results demonstrate that the proposed approach produces synthetic EV charging sessions that preserve key statistical properties of the original dataset while supporting predictive modelling tasks.
• Abstract（参考訳）: 電気自動車(EV)の普及は住宅配電網にさらなる需要をもたらし、計画とシミュレーション研究のための現実的な充電データセットの必要性が生じると予想されている。 しかし、現実のEV充電データへのアクセスは、プライバシーの制約、不完全なレコード、可用性の制限によって制限されることが多い。 本稿では,実トランザクションレベルの課金データから合成EV充電セッションを生成するための条件付き変分オートエンコーダ(CVAE)を提案する。 このモデルは、プラグインの持続時間、充電時間、送電エネルギー、充電遅延、周期的な充電時間などを記述するエンジニアリングされたセッション機能に基づいて訓練されている。 特徴量不整合不確かさをモデル化するためにガウス陰性対数類似度(NLL)再構成損失を用い、KL(Kullback-Leibler)発散項を用いて潜時空間を正規化する。 TSTR(Train-on-Synthetic-Test-on-Real)プロトコルを用いて,分散メトリクスと下流タスク性能を用いて,生成されたデータの統計的忠実度を評価する。 提案手法は,予測モデルタスクをサポートしながら,元のデータセットの重要な統計特性を保存した合成EV充電セッションを生成することを示す。

関連論文リスト

• Federated Learning for Early Prediction of EV Charging Demand [0.0]
  本研究では、プラグイン時間と充電開始後1分で利用可能な情報のみを用いて、セッションの総エネルギーを推定する充電需要の早期予測問題について検討する。 本稿では,アダプティブ充電ネットワーク(ACN)からセッションレベルのデータセットを構築し,セッションメタデータと初期ウィンドウ充電測定を組み合わせた。 我々は,最小限のデータでセッションの初期段階で信頼性の高い需要推定値を得ることができ,EV充電ネットワークのスケーラブルでプライバシに配慮した分析への実践的な経路を提供することを示した。
  論文  参考訳（メタデータ） (2026-05-06T14:53:23Z)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• A Unified Variational Imputation Framework for Electric Vehicle Charging Data Using Retrieval-Augmented Language Model [3.720005287197028]
  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。
  論文  参考訳（メタデータ） (2026-01-20T00:17:54Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• 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)
• SynDelay: A Synthetic Dataset for Delivery Delay Prediction [50.56729406793283]
  配送遅延予測のための合成データセットであるSynDelayを提案する。 これはサプライチェーンAIにおけるデータセットの共有とベンチマークを促進するオープンイニシアチブである。
  論文  参考訳（メタデータ） (2025-08-30T21:54:37Z)
• From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
  住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
  論文  参考訳（メタデータ） (2025-01-06T05:53:38Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Defining a synthetic data generator for realistic electric vehicle charging sessions [6.37470346908743]
  電気自動車(EV)充電ステーションは、近年電力網で顕著になっている。 しかし、そのようなEVセッションデータの可用性の制限は、これらの分野でのさらなる発展を妨げる。 我々はEV充電セッションのための合成データ生成装置を開発した。
  論文  参考訳（メタデータ） (2022-02-28T11:18:40Z)

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。