[論文レビュー] Multistep Electric Vehicle Charging Station Occupancy Prediction using Mixed LSTM Neural Networks.

Tai-Yu Ma, Sébastien Faye|arXiv (Cornell University)|Jun 10, 2021

Electric Vehicles and Infrastructure参考文献 36被引用数 5

ひとこと要約

本論文は、電気自動車（EV）充電ステーションの充電状態を6ステップ先（60分先）まで予測するため、履歴充電状態シーケンスと時系列関連特徴を別々に処理する混合LSTMニューラルネットワークを提案する。モデルは1ステップ（10分）予測で99.99%の精度を達成し、6ステップ予測では81.87%の精度を示し、それぞれのベンチマーク手法を22.4%および6.2%上回る。

ABSTRACT

Public charging station occupancy prediction plays key importance in developing a smart charging strategy to reduce electric vehicle (EV) operator and user inconvenience. However, existing studies are mainly based on conventional econometric or time series methodologies with limited accuracy. We propose a new mixed long short-term memory neural network incorporating both historical charging state sequences and time-related features for multistep discrete charging occupancy state prediction. Unlike the existing LSTM networks, the proposed model separates different types of features and handles them differently with mixed neural network architecture. The model is compared to a number of state-of-the-art machine learning and deep learning approaches based on the EV charging data obtained from the open data portal of the city of Dundee, UK. The results show that the proposed method produces very accurate predictions (99.99% and 81.87% for 1 step (10 minutes) and 6 step (1 hour) ahead, respectively, and outperforms the benchmark approaches significantly (+22.4% for one-step-ahead prediction and +6.2% for 6 steps ahead). A sensitivity analysis is conducted to evaluate the impact of the model parameters on prediction accuracy.

研究の動機と目的

• 従来の経済統計的および時系列分析手法を超えて、マルチステップの電気自動車（EV）充電ステーションの充電状態予測の精度を向上させること。
• 既存のLSTMモデルの限界を克服するため、履歴充電状態シーケンスと時系列関連特徴を別々に処理する混合ニューラルネットワークアーキテクチャを用いて、両者を統合すること。
• より正確な充電状態予測を通じて、EV運用者およびユーザーの不満を軽減するスマート充電戦略の開発。
• 実世界のEV充電データを用いて、提案モデルの性能を最先端の機械学習およびディープラーニング手法と比較して評価すること。
• モデルのハイパーパrameterが予測精度に与える影響を評価する感度分析の実施。

提案手法

• 提案モデルは、履歴充電状態シーケンスと時系列関連特徴という異なる種類の入力特徴を、別々のサブネットワークで処理し、出力を統合する混合LSTMニューラルネットワークアーキテクチャを採用している。
• モデルは、イギリスダントゥーイ市のオープンデータポータルから収集した実際のEV充電データを用いて学習され、複数の充電ステーションをカバーしている。
• 時間帯（1日中の時間）、曜日、季節性といった時系列関連特徴は、順序付きの充電状態データとは別々に符号化され、処理されている。
• このアーキテクチャにより、充電行動における長期的依存関係を捉えながら、日次および週次的な時間的パターンに適応できる。
• 10分ごとの間隔で最大60分先までをカバーする、マルチステップ離散予測フレームワークが実装されている。
• 標準評価指標を用いて、標準LSTM、GRU、および従来の機械学習モデルを含む複数のベンチマーク手法と比較している。

実験結果

リサーチクエスチョン

• RQ1 履歴充電状態シーケンスと時系列関連特徴を別々に処理する混合LSTMアーキテクチャは、マルチステップのEV充電ステーション充電状態予測精度を向上させることができるか？
• RQ2 1ステップおよび6ステップの予測期間において、提案モデルは最先端の機械学習およびディープラーニング手法と比較して、EV充電ステーションの充電状態予測においてどの程度優れているか？
• RQ3 感度分析を通じて、予測性能に与える主なハイパーパrameter（例：学習率、LSTMユニット数）の影響は何か？
• RQ4 時間的特徴（例：1日中の時間、曜日）の統合は、EV充電状態予測におけるディープラーニングモデルの予測能力をどの程度向上させるか？

主な発見

• 提案された混合LSTMモデルは、1ステップ先（10分先）の充電状態予測で99.99%の予測精度を達成し、ベンチマークモデルを22.4%上回っている。
• 6ステップ先（60分先）の予測では、81.87%の精度を達成し、次に優れたベンチマーク手法を6.2%上回っている。
• 異なる時間スケールにおいても、特徴タイプを明確に分離・処理できる能力により、モデルは優れた汎化性能とロバストネスを示している。
• 感度分析の結果、学習率やLSTMユニット数といったハイパーパrameterが予測精度に顕著な影響を与えることが判明し、最適な設定が最高の性能をもたらすことが確認された。
• 時間関連特徴（例：1日中の時間、曜日）の統合により、予測精度が顕著に向上し、時間的ダイナミクスをモデル化する上でその重要性が裏付けられた。
• 結果から、混合アーキテクチャ設計が、標準LSTMやアンサンブルモデルと比較して、マルチステップのEV充電状態予測においてより正確で安定した予測を実現できることを確認した。