PulseAugur
实时 01:38:06
English(EN) Spatio-temporal modelling of electric vehicle charging demand

研究人员使用时空潜在高斯场对电动汽车充电需求进行建模

研究人员发布了一个新的大规模数据集,用于预测2022年至2025年间在苏格兰收集的电动汽车(EV)充电需求。该数据集旨在通过反映现代充电网络的复杂性来克服旧基准的局限性。该团队开发了一个时空潜在高斯场模型,利用集成嵌套拉普拉斯近似进行推断,该模型提供了准确的预测以及不确定性量化和可解释的时空洞察。 AI

影响 为更准确、更具可解释性的电动汽车充电需求预测提供了一个新的基准数据集和概率建模框架。

排序理由 该集群描述了一篇介绍电动汽车充电需求新数据集和概率建模方法的新学术论文。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究人员使用时空潜在高斯场对电动汽车充电需求进行建模

报道来源 [1]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    Spatio-temporal modelling of electric vehicle charging demand

    Accurate forecasting of electric vehicle (EV) charging demand is critical for grid management and infrastructure planning. Yet the field continues to rely on legacy benchmarks; such as the Palo Alto (2020) dataset; that fail to reflect the scale and behavioral diversity of modern…