[論文レビュー] Short-term forecast of EV charging stations occupancy probability using big data streaming analysis

Francesca Soldan, Enea Bionda+2 more|arXiv (Cornell University)|Apr 26, 2021

Electric Vehicles and Infrastructure参考文献 2被引用数 8

ひとこと要約

本論文は、Apache Sparkとストリーミングロジスティック回帰を用いたビッグデータストリーミングアーキテクチャを提案し、電気自動車（EV）充電ステーションのリアルタイムでの満車確率を予測する。履歴充電データとライブ満車状況ストリームを組み合わせることで、特に予期しない出来事の際でもバッチ処理のみの手法よりも予測精度が向上し、0.35のしきい値が適合性と再現率のバランスをとる（0.63–0.67）。

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.

研究の動機と目的

• 動的な予測不能な使用パターンの下で、EV充電ステーションの短期間の満車状況を正確に予測する課題に対処すること。
• リアルタイムおよび履歴のEV充電データを処理するためのスケーラブルなビッグデータストリーミングアーキテクチャを構築すること。
• 繰り返し現れる履歴的傾向とリアルタイムの異常（例：イベント、パンデミック）を統合した1つの予測モデルを構築すること。
• ストリーミング機械学習モデルの性能を、従来のバッチモデルと比較して、充電ステーションの利用可能性予測において評価すること。
• 実世界の応用に向けた実装を考慮し、適合性と再現率のバランスを取るために、モデルパラメータおよびしきい値選定を最適化すること。

提案手法

• Apache Spark StreamingおよびApache Kafkaを用いて、EV充電ステーションからのリアルタイム満車状況データを受信するビッグデータストリーミングパイプラインを実装する。
• 3年分の履歴的充電データで初期化され、継続的にライブ満車状況ストリームで更新されるストリーミングロジスティック回帰モデルを訓練する。
• 時間的パターン（例：平日対週末、時間帯の傾向）および充電時間の分布を特徴量エンジニアリングによりモデル入力に統合する。
• 15分ごとの時間帯ごとに満車確率を二値分類（満車または空き）に変換するためのしきい値ベースの分類を適用する。
• テストデータセット（525,601分）を用い、しきい値範囲（0.30–0.50）における精度、再現率、F1スコアを用いてモデルの性能を評価する。
• 精度/再現率曲線およびF1スコア指標を用いて、ストリーミングモデルの性能を標準的なバッチ学習ロジスティック回帰モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 履歴データとリアルタイムデータを統合したストリーミング機械学習モデルは、バッチモデルと比較してEV充電ステーションの短期間満車予測を改善できるか？
• RQ2 リアルタイムデータストリームの統合が、一時的な充電需要の急増などの予期しない出来事におけるモデルの精度にどのように影響するか？
• RQ3 充電ステーションの利用可能性予測において、適合性と再現率を最適にバランスさせる満車確率のしきい値は何か？
• RQ4 正則化、勾配降下法のステップサイズ、ストリーミングウィンドウサイズなどのモデルパラメータが予測性能に与える影響は何か？
• RQ5 この予測文脈において、ストリーミングロジスティック回帰と他の分類器（例：ランダムフォレスト、勾配ブースティングツリー）の比較的性能はいかがなっているか？

主な発見

• 0.30～0.50のすべてのしきい値において、ストリーミングロジスティック回帰モデルはバッチモデルを上回る適合性を示し、特に高満車状況の予測で顕著である。
• しきい値0.35を用いることで、F1スコアが0.63～0.67のバランスの取れた水準に達し、適合性と再現率の妥当なトレードオフが実現されている。
• 長時間の充電イベントでは、満車確率が0.8を超える場合に、リアルタイムでの更新によりモデルの性能が向上しており、実際の使用状況を的確に反映している。
• 満車確率は一般的に0.5未満であるため、標準的な0.5のしきい値が最適ではない可能性があり、より低いしきい値（例：0.35）がより適切であると考えられる。
• リアルタイムでの変化への適応能力のおかげで、モデルの予測精度が著しく向上しており、特にCOVID-19パンデミック期に見られたような非周期的または破壊的な出来事に対しても有効である。
• 履歴的傾向とライブデータストリームの統合により、モデルは日常的な傾向（例：平日のピーク）と突然の異常を両方とも捉えることができ、静的モデルよりもより強固である。