[論文レビュー] Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand

Frederik Boe Hüttel, Inon Peled+2 more|arXiv (Cornell University)|Jun 21, 2021

Electric Vehicles and Infrastructure参考文献 20被引用数 18

ひとこと要約

本稿では、公開データセットを用いて充電ステーション間の空間的・時系列的相関をモデル化することで、電気自動車（EV）の充電需要を予測するための時系列グラフ畳み込みネットワーク（T-GCN）を提案する。T-GCNは、CNN、CNN+LSTM、および従来のベースラインを上回り、短期および長期の予測において最小のRMSEを達成しており、1日予測では61±8、30日予測では161±15のRMSEを記録した。

ABSTRACT

Electric vehicles can offer a low carbon emission solution to reverse rising emission trends. However, this requires that the energy used to meet the demand is green. To meet this requirement, accurate forecasting of the charging demand is vital. Short and long-term charging demand forecasting will allow for better optimisation of the power grid and future infrastructure expansions. In this paper, we propose to use publicly available data to forecast the electric vehicle charging demand. To model the complex spatial-temporal correlations between charging stations, we argue that Temporal Graph Convolution Models are the most suitable to capture the correlations. The proposed Temporal Graph Convolutional Networks provide the most accurate forecasts for short and long-term forecasting compared with other forecasting methods.

研究の動機と目的

• グリーンエネルギー統合とインfra構築を支援するため、EV充電需要を正確に予測する課題に対処すること。
• 既存手法が充電ステーション間の空間的相関を無視するか、非公開データに依存するという限界を克服すること。
• 大規模な予測に向け、公開利用可能なEV充電データセットを用いることの実現可能性と有効性を示すこと。
• 従来の時系列および畳み込みモデルと比較して、グラフベースのディープラーニングモデル（特にT-GCN）の性能を評価すること。
• 将来の研究を支援するため、グラフニューラルネットワークを用いたEV充電需要予測の再現可能でオープンソースのフレームワークを提供すること。

提案手法

• ノードを充電ステーション、エッジを空間的近接性または相関関係で表すグラフとしてEV充電ネットワークをモデル化する。
• グラフ畳み込みと再帰層（LSTM）を組み合わせた時系列グラフ畳み込みネットワーク（T-GCN）を適用し、動的な空間的・時系列的依存関係を捉える。
• 比較のため、グリッドセルがその中にあるステーションからの需要を集約するラスターマップ表現を空間的エンコーディングとして用いる。
• 2012年から2019年の歴史的1日単位のエネルギー需要データを用いてモデルを訓練し、短期予測には30日分、長期予測には120日分の入力系列を用いる。
• ADAM最適化アルゴリズムを用い、L2正則化（λ = 10⁻³）を含む損失関数を1000エポックにわたり最適化する。
• KerasとStellar Graphライブラリを用いてモデルを実装し、GitHubを通じた再現可能性とオープンアクセスを確保する。

実験結果

リサーチクエスチョン

• RQ1 公開利用可能なEV充電データセットは、充電需要の正確かつ比較可能な予測を可能にするか？
• RQ2 T-GCNのようなグラフベースのモデルは、従来の時系列および畳み込みモデルと比較して、EV充電需要予測においてどのように性能を発揮するか？
• RQ3 充電ステーション間の空間的相関が、予測精度にどの程度寄与するか？
• RQ4 ネットワークをグラフとしてモデル化することで、ラスターベースや集約時系列アプローチと比較して、より優れた性能が得られるか？
• RQ5 T-GCNは、EV充電需要の短期的（1〜7日）および長期的（30日）な時系列パターンを効果的に捉えることができるか？

主な発見

• T-GCNモデルは、すべての予測期間で最小のRMSEを達成し、1日予測では61±8、7日予測では184±9、30日予測では161±15のRMSEを記録した。
• AR(30)ベースライン（30日予測でRMSE 252）と比較して、T-GCNは誤差を36.5%低減し、顕著な改善を示した。
• 1日予測ではCNN+LSTMモデル比で28.4%、30日予測では7.5%の精度向上を達成し、グラフベースのモデリングの利点を裏付けた。
• グラフベースのアプローチは、ラスターベースの畳み込み手法と比較して、微細な空間的差異やステーション間相関をよりよく捉えていた。
• T-GCNを含むすべてのモデルが、週単位の需要パターン（週末に需要が低下）を正しく捉えており、時系列学習の強固さを示した。
• 公開利用可能なデータセットの使用により、再現可能で透明性のあるベンチマークが可能となり、EVインfra研究分野における広範な採用を支援した。