通过深度学习技术在智能交通系统中使用电动汽车充电性能的多阶段预测方法

科学领域:

• 智能运输系统 智能运输系统
• 智慧城市框架 智慧城市框架
• 机器学习应用 机器学习应用

背景情况:

• 电动汽车 (EV) 对智慧城市至关重要,需要改进网络集成和充电管理.
• 现有的研究往往忽视了预测电动汽车充电行为的关键实时特征.
• 准确预测充电状态 (SoC) 和充电可用时间 (CAT) 对于高效的电动汽车运行至关重要.

研究的目的:

• 开发一种新的方法来预测电动汽车充电行为,特别是SoC和CAT.
• 为了整合具有影响力的实时功能,往往在以前的研究中被忽视.
• 为了提高智能交通系统内电动汽车充电预测的准确性.

主要方法:

• 一种使用Feedforward深度神经网络 (FDNN) 的多阶段方法.
• 整合历史收费数据与实时功能:距离,道路特征和天气数据.
• 与使用相同数据集的现有文献进行比较分析.

主要成果:

• 与现有研究相比,SoC和CAT的预测准确度更高.
• 报告的SMAPE得分较低:0.00044 (初始 SoC),0.00018 (要求 SoC),0.00014 (初始 CAT) 和0.00012 (要求 CAT).
• 通过比较分析,在预测准确度方面取得了显著的改进.

结论:

• 整合有影响力的实时功能显著提高了EV充电行为预测的精度.
• 拟议的基于FDNN的方法为智能运输提供了电动汽车收费管理的实质性进展.
• 这项研究强调了整体数据方法对于优化电动汽车融入智能城市的重要性.