Forecasting electric vehicle charging loads using random forest and gene expression programming ensemble models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The adoption of Electric Vehicles (EVs) is steadily increasing worldwide, aimed at reducing carbon emissions. Accurate forecasting of charging loads at EV charging stations is essential for effective energy allocation and infrastructure planning. This paper proposes ensemble machine learning models to forecast charging loads using Random Forest (RF) and Gene Expression Programming (GEP) techniques. These ensemble models integrate forecasts from Prophet, TBATS, and Long Short-Term Memory (LSTM) models. An outlier detection approach is introduced by employing feature engineering and Isolation Forest to identify abnormal data. The proposed ensemble models are designed to handle the complexities of time series data by incorporating diverse methodologies. Each ensemble model integrates trigonometric seasonality and holiday effects as modeled by Prophet, Box-Cox transformations, and auto-regressive moving average (ARMA) components from TBATS, and short-term as well as long-term variability captured by LSTM’s deep learning capabilities. The ensemble models also use time-context features and recent performance metrics of base forecasters, enabling them to capture temporal patterns and adjust each forecaster’s influence dynamically. This comprehensive approach ensures robust performance in modeling the complex nature of EV charging load time se data. While the RF ensemble model provides better forecasts than the GEP ensemble model, the GEP model presents an interpretable model that reveals the individual contributions of Prophet, TBATS, and LSTM forecasts to the predicted charging loads without requiring additional postprocessing. A benchmarking study compares the performance of the proposed ensemble models versus Chronos, a framework for pretrained probabilistic time series forecasting. Using various time series data from an open-source EV dataset, results demonstrate that the proposed ensemble models are superior, outperforming the Chronos framework in forecasting accuracy. Furthermore, statistical analysis has shown the significance of the RF and GEP results over the results of their base forecasters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle