論文の概要: Electric Vehicle Charging Station Location Selection using Geospatial Artificial Intelligence (GeoAI)

• arxiv url: http://arxiv.org/abs/2609.30417v1
• Date: Thu, 24 Sep 2026 18:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.098212
• Title: Electric Vehicle Charging Station Location Selection using Geospatial Artificial Intelligence (GeoAI)
• Title（参考訳）: 地理空間人工知能(GeoAI)を用いた電気自動車充電ステーション位置選択
• Abstract要約: 本研究では,EV利用,土地利用,人口,交通属性を含む高次元EV関連地理空間データを統合する枠組みを提案する。 可変オートエンコーダ(VAE)とグラフ畳み込みネットワーク(GCN)をモデルに組み込み、既存の充電ステーション間の類似性を捉える。 テキサス州のBryan-College Stationの実際のデータを用いて、提案されたモデルは最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 0.21485350418225244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As electric vehicle (EV) adoption increases, ensuring efficient and well-distributed charging infrastructure has become a critical challenge. While many EV charging station location problem (CSLP) studies focus on minimizing costs or travel distance, it is crucial to consider the surrounding geospatial characteristics of existing stations that influence operational performance. This study proposes a geospatial artificial intelligence (GeoAI)-based framework that integrates high-dimensional EV-related geospatial data, including EV usage, land-use, population, and traffic attributes. We incorporate a variational autoencoder (VAE) and a graph convolutional network (GCN) into the model to capture similarities among existing charging stations, and to identify suitable locations for future stations. The VAE compresses high-dimensional EV input data into a low-dimensional latent space, and the GCN uses this latent representation to predict locations suitable for charging stations. Using real-world data from Bryan-College Station, Texas, US, the proposed model outperforms state-of-the-art baselines, achieving an F1-score of 0.87 in distinguishing existing station locations from non-station locations. The model also identifies 27 additional candidate locations that show geospatial characteristics similar to those of existing stations, based on a similarity score. We further evaluate two policy implementation scenarios, maximizing geospatial similarity and minimizing total travel distance, each yielding different outcomes aligned with distinct strategic objectives. The findings highlight the importance of incorporating spatial context into CSLP and provide valuable insights for future EV infrastructure planning, promoting both efficiency and accessibility in the rapidly growing electric mobility sector.
• Abstract（参考訳）: 電気自動車(EV)の普及が進むにつれ、効率的で分散した充電インフラの確保が重要な課題となっている。 多くのEV充電ステーション位置問題(CSLP)研究はコストや走行距離の最小化に重点を置いているが、運用性能に影響を与える既存のステーションの周囲の空間特性を考慮することが重要である。 本研究では,EV利用,土地利用,人口,交通属性を含む高次元EV関連地理空間データを統合した地理空間人工知能(GeoAI)フレームワークを提案する。 変動型オートエンコーダ(VAE)とグラフ畳み込みネットワーク(GCN)をモデルに組み込み、既存の充電ステーション間の類似性を把握し、将来のステーションに適した場所を特定する。 VAEは高次元EV入力データを低次元潜在空間に圧縮し、GCNはこの潜在表現を用いて充電ステーションに適した位置を予測する。 テキサス州ブライアン・コレージュ駅の実際のデータを用いて、提案されたモデルは最先端のベースラインより優れており、既存の駅と非駅の場所を区別するF1スコアは0.87である。 このモデルはまた、類似度スコアに基づいて、既存の駅と同様の地理空間特性を示す27の候補場所を特定する。 さらに、地理空間的類似性を最大化し、旅行距離を最小化し、それぞれ異なる戦略目標に整合した異なる結果を得るという2つの政策実行シナリオを評価した。 この知見は、空間コンテキストをCSLPに組み込むことの重要性を強調し、将来のEVインフラ計画に価値ある洞察を与え、急速に成長する電気モビリティセクターにおける効率性とアクセシビリティを促進させる。

関連論文リスト

• 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)
• INSPIRE-GNN: Intelligent Sensor Placement to Improve Sparse Bicycling Network Prediction via Reinforcement Learning Boosted Graph Neural Networks [51.76364085699241]
  INSPIRE-GNNは、センサ配置を最適化し、データスパース環境でのリンクレベルの自転車体積推定を改善するために設計された、新しい強化学習型ハイブリッドグラフニューラルネットワーク(GNN)フレームワークである。 我々のフレームワークは,Mean Squared Error(MSE),Root Mean Squared Error(RMSE),Mean Absolute Error(MAE)など,従来のセンサ配置法よりも優れていた。 InSPIRE-GNNの自転車容積推定性能における標準機械学習モデルとディープラーニングモデルとのベンチマークを行い,その有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-31T20:00:35Z)
• Bayesian-Driven Graph Reasoning for Active Radio Map Construction [96.08082552413117]
  本稿では,経路ナビゲーションに適したグラフベースの推論を明示的に活用する不確実性を考慮した無線地図再構成フレームワークを提案する。 提案手法は,(1)空間的不確実性をリアルタイムで推定するベイズニューラルネットワーク,(2)グローバル推論を行う注意に基づく強化学習ポリシの2つの重要な深層学習要素を統合した。 実験の結果,URAMは既存のベースラインよりも最大で34%の精度で復元できることがわかった。
  論文  参考訳（メタデータ） (2025-07-29T03:32:01Z)
• Optimizing Electric Vehicle Charging Station Locations: A Data-driven System with Multi-source Fusion [2.993678682876725]
  オーストラリア,ニューサウスウェールズ州(NSW)における既存のEV旅行に基づくデータ駆動システムを開発した。 本システムでは,EV旅行データ,ルートデータなどの地理的データ,LGA(Local Government Area)境界などのデータソースを統合している。 この研究の結果は、将来のEV充電ステーションの位置に関するガイダンスを提供するために、新しい洞察を開発するための議論のためのプラットフォームを提供することができる。
  論文  参考訳（メタデータ） (2025-04-18T07:10:48Z)
• Data-Driven Optimization of EV Charging Station Placement Using Causal Discovery [6.061650526072546]
  本研究では,Palo Alto と Boulder の充電データを分析し,駅特性と利用率の関係を明らかにする。 このデータに構造学習アルゴリズムを適用することで、充電需要は、アメニティへの近さ、EV登録密度、高軌道への隣接性の3つの要因によって決定されることが明らかになった。 我々は、これらの洞察を実行可能な配置レコメンデーションに変換する最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-21T11:15:02Z)
• 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)
• Radar-based Dynamic Occupancy Grid Mapping and Object Detection [55.74894405714851]
  近年、古典的占有グリッドマップのアプローチが動的占有グリッドマップに拡張されている。 本稿では,従来のアプローチのさらなる発展について述べる。 複数のレーダセンサのデータを融合し、グリッドベースの物体追跡・マッピング手法を適用する。
  論文  参考訳（メタデータ） (2020-08-09T09:26:30Z)
• Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction [116.66657468425645]
  本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。 特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。 類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
  論文  参考訳（メタデータ） (2020-01-14T16:47:54Z)

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。