[論文レビュー] Mind the Gap: Modelling Difference Between Censored and Uncensored Electric Vehicle Charging Demand

Frederik Boe Hüttel, Filipe Rodrigues+1 more|arXiv (Cornell University)|Jan 16, 2023

Electric Vehicles and Infrastructure被引用数 4

ひとこと要約

本稿では、利用可能な充電ステーションの数や競合サービスの影響による観測されない需要（censored demand）を考慮することで、潜在的電気自動車（EV）充電需要を推定する、censorship-awareな機械学習モデルを提案する。コペンハーゲンの内燃機関（ICE）車両のGPSトレースを用いて、最大61％の需要がcensored（遮断）されていることが示され、特にcensored quantile regressionを用いたcensorship-awareモデルは、従来のモデルに比べて予測精度と不確実性推定の両面で顕著に優れている。

ABSTRACT

Electric vehicle charging demand models, with charging records as input, will inherently be biased toward the supply of available chargers. These models often fail to account for demand lost from occupied charging stations and competitors. The lost demand suggests that the actual demand is likely higher than the charging records reflect, i.e., the true demand is latent (unobserved), and the observations are censored. As a result, machine learning models that rely on these observed records for forecasting charging demand may be limited in their application in future infrastructure expansion and supply management, as they do not estimate the true demand for charging. We propose using censorship-aware models to model charging demand to address this limitation. These models incorporate censorship in their loss functions and learn the true latent demand distribution from observed charging records. We study how occupied charging stations and competing services censor demand using GPS trajectories from cars in Copenhagen, Denmark. We find that censorship occurs up to $61\%$ of the time in some areas of the city. We use the observed charging demand from our study to estimate the true demand and find that censorship-aware models provide better prediction and uncertainty estimation of actual demand than censorship-unaware models. We suggest that future charging models based on charging records should account for censoring to expand the application areas of machine learning models in supply management and infrastructure expansion.

研究の動機と目的

• 限られた充電ステーションの容量と競合サービスの影響によるcensored観測が原因で生じるEV充電需要モデルのバイアスを是正すること。
• 特に混雑や競合が激しい環境では、観測された充電記録が真の潜在的需要を過小評価していることを示すこと。
• censoredデータから真の需要分布を学習できるcensorship-awareモデルの開発と検証すること。
• 現実的な反実仮想シナリオ下で、censorship-awareモデルと標準モデルの性能を比較すること。
• 未観測需要の全範囲を推定することで、インフラ整備計画や運用意思決定の精度向上を支援すること。

提案手法

• コペンハーゲンの内燃機関（ICE）車両のGPSトレースを、EVユーザー行動の代理指標として用いる（EVであると仮定）。
• 充電ステーションの可用性や競合の有無を異なる仮定のもとでモデル化し、バッテリーの消耗と充電行動を再現することで、EV充電需要をシミュレートする。
• censoringを損失関数に組み込むことで潜在的需要を推定する、Tobitモデルやcensored quantile regressionを含むcensorship-awareモデルを適用する。
• 同じ移動経路を、充電ステーションの混雑度や競合充電事業者の市場シェアを変化させた状況で再評価する反実仮想シナリオを構築する。
• 観測された充電記録を用いてモデルをキャリブレーションするが、同時に充電ステーションの容量や競合の存在による需要の上限を明示的にモデル化する。
• 適合度と不確実性推定の指標を用いて、censorship-awareモデルとcensorship-unawareモデルの性能を比較し、モデルの妥当性を検証する。

Figure 1: The figure shows the two instances of censoring of electric vehicle (EV) charging demand Left: The demand is censored due to lost opportunities, where EV drivers can not charge due to occupied charging stations. Right: The demand is censored due to competing services, where EV drivers can

実験結果

リサーチクエスチョン

• RQ1 コペンハーゲンのような都市環境において、混雑した充電ステーションや競合サービスの影響により、EV充電需要はどの程度censored（遮断）されているか？
• RQ2 censorship-awareモデルは、従来の機械学習モデルに比べて、潜在的充電需要の予測と不確実性推定においてどのように優れているか？
• RQ3 censoringを無視した場合、インフラ整備計画や運用意思決定における需要予測の正確性にどのような影響が生じるか？
• RQ4 競合充電事業者の市場シェアが異なるシナリオにおいて、censorship-awareモデルの性能はどのように変化するか？
• RQ5 EV専用データが入手不可能な状況下で、非EV車両のGPSトレースは、潜在的EV充電需要を推定するための信頼できる代理指標として有効か？

主な発見

• コペンハーゲンの特定の地域では、混雑した充電ステーションや競合サービスの影響により、最大61％の潜在的EV充電需要がcensored（遮断）されている。
• censorship-awareモデル、特にcensored quantile regressionは、Tobitモデルに比べて潜在的需要の適合度が高く、不確実性推定もより信頼性が高くなる。
• censorship-awareモデルは、特に競合が激しいか混雑している環境下でも、censorship-unawareモデルに比べて真の需要を予測する能力で顕著に優れている。
• 本研究では、censoringを無視すると系統的な需要の過小評価が生じることを示しており、標準モデルではインフラ整備計画に有用でないことが明らかになった。
• 非EV車両のGPSトレースをEV行動の代理指標として用いることで、実際のEVデータがなくても、censoringによる需要の損失をリアルな反実仮想シナリオで再現可能である。
• 今後のEV充電需要モデルは、精度向上と戦略的インフラ拡張を支援するため、censoring機構を組み込むべきであると示唆された。

Figure 2: Illustration of the experimental procedure. Firstly, the GPS trajectories of Internal Combustion Engine (ICE) vehicles are modelled as EVs using Algorithm 1 (for detailed information, refer to Appendix A ). Subsequently, the observed charging demand and the true demand are derived from the