[논문 리뷰] Short-term forecast of EV charging stations occupancy probability using big data streaming analysis

Francesca Soldan, Enea Bionda외 2명|arXiv (Cornell University)|2021. 04. 26.

Electric Vehicles and Infrastructure참고 문헌 2인용 수 8

한 줄 요약

이 논문은 실시간 전기차(EV) 충전소 점유율 예측을 위해 Apache Spark와 스트리밍 로지스틱 회귀를 활용한 대용량 스트리밍 아키텍처를 제안한다. 과거 충전 데이터와 실시간 점유율 스트림을 결합함으로써, 특히 예기치 않은 사건 발생 시 기존 배치 중심 접근 방식보다 예측 정확도를 향상시킨다. 임계값 0.35를 설정할 경우 정밀도와 재현율이 균형을 이루며 각각 0.63~0.67을 기록한다.

ABSTRACT

The widespread diffusion of electric mobility requires a contextual expansion of the charging infrastructure. An extended collection and processing of information regarding charging of electric vehicles may turn each electric vehicle charging station into a valuable source of streaming data. Charging point operators may profit from all these data for optimizing their operation and planning activities. In such a scenario, big data and machine learning techniques would allow valorizing real-time data coming from electric vehicle charging stations. This paper presents an architecture able to deal with data streams from a charging infrastructure, with the final aim to forecast electric charging station availability after a set amount of minutes from present time. Both batch data regarding past charges and real-time data streams are used to train a streaming logistic regression model, to take into account recurrent past situations and unexpected actual events. The streaming model performs better than a model trained only using historical data. The results highlight the importance of constantly updating the predictive model parameters in order to adapt to changing conditions and always provide accurate forecasts.

연구 동기 및 목표

• 동적인 사용 패턴과 예측 불가능한 요동에 의해 영향을 받는 전기차 충전소의 단기 점유율을 정확하게 예측하는 도전 과제를 해결한다.
• 실시간 및 과거 전기차 충전 데이터를 처리하기 위해 확장 가능한 대용량 스트리밍 아키텍처를 개발한다.
• 반복적인 과거 추세와 실시간 이상 현상(예: 이벤트, 패닉)을 하나의 예측 모델에 통합한다.
• 기존 배치 모델과 비교하여 스트리밍 기반 머신러닝 모델의 성능을 평가하여 충전소 가용성 예측 능력을 점검한다.
• 실제 응용 분야에 구현하기 위해 정밀도와 재현율을 균형 잡는 데 최적화된 모델 파라미터 및 임계값 선택을 최적화한다.

제안 방법

• 실시간 점유율 데이터를 전기차 충전소에서 수신하기 위해 Apache Spark Streaming과 Apache Kafka를 활용한 대용량 스트리밍 파이프라인을 구현한다.
• 세 해 분량의 과거 충전 데이터로 초기화된 스트리밍 로지스틱 회귀 모델을 구축하고, 실시간 점유율 스트림을 지속적으로 업데이트한다.
• 시간 패턴(예: 평일 대비 주말, 시간대별 추세)과 충전 지속 시간 분포를 모델 입력에 통합하기 위해 특징 공학을 적용한다.
• 점유율 확률을 15분 단위의 이진 예측(점유 중 또는 이용 가능)으로 변환하기 위해 임계값 기반 분류를 적용한다.
• 테스트 세트의 525,601분에 대해 임계값 범위(0.30–0.50)에서 정밀도, 재현율, F1 점수를 사용해 모델 성능을 평가한다.
• 정밀도/재현율 곡선 및 F1 점수 지표를 활용해 스트리밍 모델의 성능을 표준 배치 학습 로지스틱 회귀 모델과 비교한다.

실험 결과

연구 질문

• RQ1 과거 데이터와 실시간 데이터를 통합한 스트리밍 머신러닝 모델이 배치 모델 대비 단기 충전소 점유율 예측 성능을 향상시킬 수 있는가?
• RQ2 실시간 데이터 스트림을 포함시킬 경우, 예상치 못한 사건(예: 충전 수요 급증) 발생 시 모델 정확도에 어떤 영향을 미치는가?
• RQ3 충전소 가용성 예측에서 정밀도와 재현율을 균형 잡는 데 최적인 점유율 확률의 임계값은 무엇인가?
• RQ4 정규화, 경사 하강법 단계, 스트리밍 윈도우 크기 등의 모델 파라미터가 예측 성능에 어떤 영향을 미치는가?
• RQ5 이러한 예측 맥락에서 스트리밍 로지스틱 회귀 모델은 다른 분류기(예: 랜덤 포레스트, 기울기 부스팅 트리)와 비교해 어떤 성능을 보이는가?

주요 결과

• 모든 임계값(0.30–0.50) 범위에서 스트리밍 로지스틱 회귀 모델은 배치 모델 대비 정밀도에서 뛰어난 성능을 보이며, 특히 고점유율 예측에서 두드러진다.
• 임계값 0.35를 사용할 경우 F1 점수는 0.63~0.67로 균형 잡힌 정밀도와 재현율을 확보하여 좋은 성능 균형을 이룬다.
• 실시간 업데이트가 실제 사용을 반영함에 따라 장시간 충전 이벤트 동안(점유율 확률이 0.8 초과) 성능 향상이 두드러진다.
• 일반적으로 점유율 확률은 0.5 이하이므로, 표준 0.5 임계값이 최적은 아니며, 더 낮은 임계값(예: 0.35)이 더 적합하다고 판단된다.
• 실시간 변화에 적응할 수 있는 능력 덕분에 모델의 예측 정확도가 크게 향상되며, 특히 코로나19 패anics 기간 동안 관찰된 비정기적 또는 파괴적인 사건에 대비해 뛰어난 성능을 보인다.
• 과거 패턴과 실시간 데이터 스트림을 통합함으로써 모델은 일상적인 추세(예: 평일 정점)와 급작스러운 이상 현상을 모두 포착할 수 있어 정적 모델보다 더 견고하다.