KR102057649B1 - 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 - Google Patents
상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102057649B1 KR102057649B1 KR1020180161379A KR20180161379A KR102057649B1 KR 102057649 B1 KR102057649 B1 KR 102057649B1 KR 1020180161379 A KR1020180161379 A KR 1020180161379A KR 20180161379 A KR20180161379 A KR 20180161379A KR 102057649 B1 KR102057649 B1 KR 102057649B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- charging station
- occupancy
- artificial neural
- prediction
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 239000002803 fossil fuel Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
본 발명은 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법에 관한 것이다. 이를 위하여, 구역 점유 예측 인공신경망 모듈의 출력 층(Layer) 또는 후반부 층을 제외한 나머지 인공신경망 층을 충전소 점유 예측 인공신경망 모듈에 전이(transfer)하는 신경망 전이 단계; 특정 충전소의 시계열 점유 데이터인 충전소 시계열 점유 데이터 및 상위계층 인공신경망 모듈에서 제공되는 하이퍼 파라미터를 기초로 충전소 점유 예측 인공신경망 모듈을 학습하는 학습 단계; 및 학습된 충전소 점유 예측 인공신경망에 특정 예측 시간을 입력하여, 특정 예측 시간에 대한 특정 충전소의 점유 여부 확률을 출력하는 예측 단계;를 포함할 수 있다.
Description
본 발명은 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법에 관한 것이다.
전기자동차(전기차) 또는 EV는 화석 연료로 구동되는 엔진을 사용하지 않고, 전기 배터리와 전기 모터를 사용하는 자동차를 말한다. 전기차는 배터리에 축적된 전기로 전기 모터를 회전시켜서 자동차를 구동시킨다.
전기차에 대한 시장의 가장 큰 우려는 기존의 화석 연료 기반 차량에 비해 느린 충전 속도에 따른 긴 충전 시간과 부족한 충전 인프라였다. 이는 전기차 보급에 큰 걸림돌이 되는 문제이며, 이러한 문제를 해결하기 위한 조치 중 하나는 전기차 네비게이션에서 충전소 안내 서비스를 동반하여 적합한 충전소로 운전자를 안내하는 것이었다.
기존의 전기차 네비게이션은 단순히 근처에 있는 충전소를 안내해주는 것에 그쳤다. 하지만, 전기차는 연료 보충의 속도가 빠른 가솔린, 디젤 등의 일반 화석연료 기반 차량과 달리, 연료 보충이 전지 충전의 방식이기 때문에 속도가 느려서 충전시간이 길고 충전소가 적어서 화석연료 기반 차량에 비해 충전 대기가 자주 발생한다. 이 때문에, 전기차로 이동하는 경우에는 충전소의 선택에 따라 대기 시간이 크게 차이나게 되고 전체 이동시간이 상당히 증가할 수 있어 전기차의 사용성을 저해하는 단점으로 지적되고 있다.
이러한 단점을 극복하기 위해서는 최초 경로 설정 시 경로 내에서 충전소 경유 시점의 혼잡도와 현재 배터리 상태를 고려하여 최적화된 경로를 구성하여야 한다. 이때, 충전소 경유 시점의 혼잡도를 예측하기 위하여 인공신경망을 이용할 수 있으나, 개별 충전소의 경우 비어있는 충전시간의 비중이 커서 전처리 이후에 데이터의 양이 급감하므로 훈련에 많은 데이터를 필요로 하는 인공신경망 기반 예측 모델의 적용에 문제가 있었다.
따라서, 본 발명의 목적은 상위 계층의 인공신경망을 이용하여 하위 계층의 인공신경망을 세부 교정(Fine-tuning)하는 2계층 구조를 구성하여 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법을 제공하는 데에 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 목적은, 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터인 구역 시계열 점유 데이터를 통해 상기 특정 구역의 특정 예측 시간에 대한 점유 예측을 수행하도록 학습된 인공신경망인 구역 점유 예측 인공신경망 모듈, 상기 특정 구역 내의 특정 충전소의 상기 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망인 충전소 점유 예측 인공신경망 모듈 및 상기 충전소 점유 예측 인공신경망 모듈을 상위계층에서 조정하는 인공신경망인 상위계층 인공신경망 모듈의 프로그램 코드를 저장하는 메모리 모듈; 및 상기 구역 점유 예측 인공신경망 모듈, 상기 충전소 점유 예측 인공신경망 모듈 및 상기 상위계층 인공신경망 모듈의 상기 프로그램 코드를 처리하는 처리 모듈;을 포함하고, 상기 충전소 점유 예측 인공신경망 모듈의 상기 프로그램 코드는, 상기 구역 점유 예측 인공신경망 모듈의 활성화 층(Layer) 또는 출력 층(Layer)을 제외한 나머지 인공신경망 층을 상기 충전소 점유 예측 인공신경망 모듈에 전이(transfer)하는 신경망 전이 단계; 상기 특정 충전소의 시계열 점유 데이터인 충전소 시계열 점유 데이터 및 상기 상위계층 인공신경망 모듈에서 제공되는 하이퍼 파라미터를 기초로 상기 충전소 점유 예측 인공신경망 모듈을 재학습하는 재학습 단계; 및 재학습된 상기 충전소 점유 예측 인공신경망에 상기 특정 예측 시간을 입력하여, 상기 특정 예측 시간에 대한 상기 특정 충전소의 점유 여부 확률을 출력하는 예측 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 상위계층 인공신경망 모듈은, 상기 충전소 점유 예측 인공신경망 모듈의 파라미터, 상기 충전소 점유 예측 인공신경망 모듈의 입력 데이터인 상기 충전소 시계열 점유 데이터 및 상기 충전소 점유 예측 인공신경망 모듈의 출력 데이터인 상기 충전소 점유 예측 데이터를 기초로 상기 충전소 점유 예측 인공신경망 모듈의 상기 하이퍼 파라미터를 출력하도록 지도학습 되고, 상기 하이퍼 파라미터는 학습률(Learning Rate) 또는 웨이트 스케일러(Weight Scaler)을 의미하며, 상기 상위계층 인공신경망 모듈에 의해 재학습된 상기 충전소 점유 예측 인공신경망 모듈에서 출력되는 상기 충전소 점유 예측 데이터를 기초로 전기차 충전소의 점유를 예측하는 것을 특징으로 하는, 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치를 제공하여 달성될 수 있다.
또한, 상기 상위계층 인공신경망 모듈은, 상기 충전소 점유 예측 인공신경망 모듈의 파라미터, 상기 충전소 점유 예측 인공신경망 모듈의 입력 데이터인 상기 충전소 시계열 점유 데이터 및 상기 충전소 점유 예측 인공신경망 모듈의 출력 데이터인 상기 충전소 점유 예측 데이터를 기초로 상기 충전소 점유 예측 인공신경망 모듈의 상기 하이퍼 파라미터를 출력하도록 학습 되고, 상기 하이퍼 파라미터는 학습률(Learning rate) 또는 웨이트 스케일러(Weight scaler)을 의미하는 것을 특징으로 할 수 있다.
또한, 상기 상위계층 인공신경망 모듈은, 상기 충전소 시계열 점유 데이터의 양을 기초로 학습되는 것을 특징으로 할 수 있다.
또한, 상기 신경망 전이 단계에서 전이된 상기 구역 점유 예측 인공신경망 모듈의 출력 층(Layer) 또는 특정 층 이후의 후반부 층을 제외한 나머지 인공신경망 층은, 상기 재학습 단계에서 파라미터가 고정되어 재학습되지 않는 것을 특징으로 할 수 있다.
본 발명의 다른 목적은, 신경망 전이 모듈이, 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터인 구역 시계열 점유 데이터를 통해 상기 특정 구역의 특정 예측 시간에 대한 점유 예측을 수행하도록 학습된 인공신경망인 구역 점유 예측 인공신경망 모듈의 출력 층(Layer) 또는 특정 층 이후의 후반부 층을 제외한 나머지 인공신경망 층을 상기 특정 구역의 특정 충전소의 상기 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망인 충전소 점유 예측 인공신경망 모듈에 전이(transfer)하는 신경망 전이 단계; 재학습 모듈이, 상기 특정 충전소의 시계열 점유 데이터인 충전소 시계열 점유 데이터 및 상기 충전소 점유 예측 인공신경망 모듈을 상위 계층에서 조정하는 인공신경망인 상위계층 인공신경망 모듈에서 제공되는 하이퍼 파라미터를 기초로 상기 충전소 점유 예측 인공신경망 모듈을 재학습하는 재학습 단계; 및 예측 모듈이, 재학습된 상기 충전소 점유 예측 인공신경망에 상기 특정 예측 시간을 입력하여, 상기 특정 예측 시간에 대한 상기 특정 충전소의 점유 여부 확률을 출력하는 예측 단계; 를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 상위계층 인공신경망 모듈에 의해 재학습된 상기 충전소 점유 예측 인공신경망 모듈에서 출력되는 상기 충전소 점유 예측 데이터를 기초로 전기차 충전소의 점유를 예측하는 것을 특징으로 하는, 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 방법을 제공하여 달성될 수 있다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
첫째, 본 발명의 일실시예에 따르면, 데이터의 양이 적은 개별 충전소에 대해서도 정확도가 높은 점유 예측이 가능해지는 효과가 발생된다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일실시예에 따른 전기차 충전소 점유 예측 장치(10)를 도시한 것,
도 2는 본 발명의 일실시예에 따른 전처리 모듈(1)의 작용을 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 구역 점유 예측 인공신경망과 충전소 점유 예측 인공신경망의 관계를 도시한 모식도,
도 4는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망의 재학습을 도시한 모식도,
도 5는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 신경망 전이 학습을 도시한 모식도,
도 6은 본 발명의 일실시예에 따라 충전소 점유 예측 데이터(310)가 생성되는 것을 도시한 모식도,
도 7은 본 발명의 일실시예에 따른 상위계층 인공신경망(4)의 학습을 도시한 모식도,
도 8은 본 발명의 일실시예에 따라 LSTM으로 구성된 상위계층 인공신경망의 학습을 도시한 모식도이다.
도 1은 본 발명의 일실시예에 따른 전기차 충전소 점유 예측 장치(10)를 도시한 것,
도 2는 본 발명의 일실시예에 따른 전처리 모듈(1)의 작용을 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 구역 점유 예측 인공신경망과 충전소 점유 예측 인공신경망의 관계를 도시한 모식도,
도 4는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망의 재학습을 도시한 모식도,
도 5는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 신경망 전이 학습을 도시한 모식도,
도 6은 본 발명의 일실시예에 따라 충전소 점유 예측 데이터(310)가 생성되는 것을 도시한 모식도,
도 7은 본 발명의 일실시예에 따른 상위계층 인공신경망(4)의 학습을 도시한 모식도,
도 8은 본 발명의 일실시예에 따라 LSTM으로 구성된 상위계층 인공신경망의 학습을 도시한 모식도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치
도 1은 본 발명의 일실시예에 따른 전기차 충전소 점유 예측 장치(10)를 도시한 것이다. 도 1에 도시된 바와 같이, 전기차 충전소 점유 예측 장치(10)는 전처리 모듈(1), 구역 점유 예측 인공신경망(2), 충전소 점유 예측 인공신경망(3), 상위계층 인공신경망(4)으로 구성되어, 충전 건수 데이터(100)를 입력받고 충전소 점유 예측 데이터(310)를 출력할 수 있다.
전처리 모듈(1)은 충전 건수 데이터(100)를 수신하고, 충전 건수 데이터(100)의 시간별 누적을 통해 시계열 점유 데이터를 생성하는 모듈이다. 도 2는 본 발명의 일실시예에 따른 전처리 모듈(1)의 작용을 도시한 모식도이다. 도 2에 도시된 바와 같이, 전처리 모듈(1)은 충전 건수 데이터(100)의 시간별 누적을 통해 구역 시계열 점유 데이터(110) 및 충전소 시계열 점유 데이터(120)를 생성하여 출력할 수 있다. 구역 시계열 점유 데이터(110)는 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터를 의미하고, 충전소 시계열 점유 데이터(120)는 특정 구역의 특정 충전소에 대한 시계열 점유 데이터를 의미한다.
생성된 구역 시계열 점유 데이터(110)는 구역 점유 예측 인공신경망(2)으로 송신되고, 충전소 시계열 점유 데이터(120)는 충전소 점유 예측 인공신경망(3)으로 송신되어 네트워크 Training 또는 inference에 이용될 수 있다. 본 발명의 일실시예에 따른 충전 건수 데이터(100)는 특정 계통/지역의 특정 충전소에 대한 시간별 충전 건수를 의미할 수 있고, 충전 건수 데이터(100)의 Attribute으로는 계통, 지역, 충전소 ID, 시간, 충전소 점유 여부의 dummy value가 구성될 수 있다.
본 발명의 일실시예에 따른 전처리 모듈(1)은 각 충전소의 시계열 충전 건수의 누적 데이터인 충전소 시계열 점유 데이터(120)에서 일일 충전 건수가 특정 값 이하인 일자를 제외하도록 구성될 수 있다. 이에 따르면, 데이터의 전체적인 양을 저감시켜 학습효율을 증대하는 효과가 발생될 수 있다.
구역 점유 예측 인공신경망(2)은 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터인 구역 시계열 점유 데이터(110)를 통해 계통이나 지역으로 클러스터링되는 특정 구역의 충전소의 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망으로서, 계통/지역별로 클러스터링 된 구역 시계열 점유 데이터(110)를 기초로 지도학습되도록 구성될 수 있다.
충전소 점유 예측 인공신경망(3)은 특정 구역 내의 특정 충전소의 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망으로서, 구역 점유 예측 인공신경망(2)을 기초로 신경망 전이 학습(Transfer learning)을 이용하여 생성되는 인공신경망으로 구성될 수 있다. 도 3은 본 발명의 일실시예에 따른 구역 점유 예측 인공신경망과 충전소 점유 예측 인공신경망의 관계를 도시한 모식도이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)은 특정 구역 내의 각각의 충전소(예를 들어, 특정 구역의 충전소 수가 C개라면, 충전소 1, 충전소 2 내지 충전소 C)에 대해 구역 점유 예측 인공신경망(2)에서 신경망 전이되어 생성될 수 있고, 충전소 시계열 점유 데이터(120)를 통해 각 충전소에 맞게 학습될 수 있다. 즉, 신경망 전이 학습은 신경망 전이 단계와 학습 단계로 구성될 수 있다.
충전소 시계열 점유 데이터(120)를 이용한 충전소 점유 예측 인공신경망(3)의 학습과 관련하여, 도 4는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망의 학습을 도시한 모식도이다. 도 4에 도시된 바와 같이, 충전소 시계열 점유 데이터(120)는 충전소 트레이닝 데이터(200)와 충전소 테스트 데이터(210)로 분할되어 선택될 수 있고, 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)은, 충전소 시계열 점유 데이터(120) 중 일부인 충전소 트레이닝 데이터(200)를 기초로 각각의 충전소에 대해 학습되도록 구성될 수 있다.
신경망 전이에 대하여, 도 5는 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 신경망 전이 학습을 도시한 모식도이다. 도 5에 도시된 바와 같이, 충전소 점유 예측 인공신경망(3)의 일부 층(Layer)은 구역 점유 예측 인공신경망(2)의 일부 층(Layer)의 신경망 전이에 의해 생성되고, 충전소 점유 예측 인공신경망(3)의 나머지 층(Layer)은 파라미터인 초기 가중치 w와 초기 편향 b가 무작위로 초기화된 초기화 층으로 생성된다. 이후 각각의 충전소에 대한 충전소 시계열 점유 데이터(120)를 기초로 생성된 충전소 점유 예측 인공신경망(3)을 학습하여 충전소 점유 예측 인공신경망(3)의 파라미터를 세부 교정할 수 있다. 이때, 구역 점유 예측 인공신경망(2)의 입력 데이터는 구역 시계열 점유 데이터(110)이고 출력 데이터는 구역 점유 예측 데이터(300)이며, 충전소 점유 예측 인공신경망(3)의 입력 데이터는 충전소 시계열 점유 데이터(120) 중 충전소 트레이닝 데이터(200)이고 출력 데이터는 충전소 점유 예측 데이터(310)이다.
특히, 본 발명의 일실시예에 따른 신경망 전이는, 출력 층(layer) 또는 특정 layer 이후의 후반부 층만을 초기화 층으로 구성하도록 수행될 수 있다. 이에 따르면, 각각의 충전소에 대해 충전소 시계열 점유 데이터(120)의 양이 인공신경망을 학습시키기에 매우 부족하다고 하더라도 사전에 해당 충전소가 포함된 구역의 점유 패턴을 인공신경망이 고려함으로써 충전소 점유 예측을 원활히 수행할 수 있게 되는 효과가 발생된다. 또한, 충전소 시계열 점유 데이터(120)에 dummy data를 삽입하거나 data cloning 등의 방법의 data 처리를 수행하지 않아도 충전소 점유 예측을 원활히 수행할 수 있게 되는 효과가 발생된다.
또한, 신경망 전이 이후 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 학습은, 신경망 전이에 의해 생성된 충전소 점유 예측 인공신경망(3)의 input layer 및 초기화 층을 제외한 hidden layer에 대해서는 학습에 의해 파라미터가 변경되지 않도록 고정할 수 있다. 특정 프레임워크에서는 trainableParameter=0 또는 freeze=1를 이용할 수 있다. 이에 따르면, 고정된 Layer의 활성값을 저장하여 출력 층 또는 후반부 층만을 학습하면 되는 효과가 발생된다.
또한, 신경망 전이 이후 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 학습은, 상위계층 인공신경망에 의해 충전소 점유 예측 인공신경망(3)의 하이퍼 파라미터가 조정되어 학습되도록 구성될 수 있다. 본 발명의 일실시예에 따라 상위계층 인공신경망(4)에 의해 조정되는 충전소 점유 예측 인공신경망(3)의 하이퍼 파라미터는 Parameter Scale, Gradient, Learning rate(학습률), Learning rate decay(학습률 분해), Regularization strenght(정규화 강도) 등을 의미할 수 있다.
신경망 전이 이후 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 학습 시 조정되는 Learning rate는 아래 수학식 1과 같이 신경망 전이 이후 본 발명의 일실시예에 따른 충전소 점유 예측 인공신경망(3)의 학습 시 파라미터 업데이트에 적용될 수 있다.
위 수학식 1에서 W는 초기 가중치, b는 초기 편향, η는 학습률(Learning rate), L은 손실을 의미하고, ∂L/∂W와 ∂L/∂b는 각각 가중치와 편향의 Gradient를 의미한다.
결국, 상위계층 인공신경망(4)은 충전소 점유 예측 인공신경망(3)의 학습 시의 하이퍼 파라미터를 세부적으로 조정하여 출력하는, 각각의 충전소에 대한 자동 튜닝을 수행하는 상위 계층의 인공신경망을 의미할 수 있고, 각 충전소 점유 예측 인공신경망(3)의 파라미터들과 충전소 점유 예측 데이터(310)을 기초로 하이퍼 파라미터를 출력하도록 구성될 수 있다. 도 6은 본 발명의 일실시예에 따라 충전소 점유 예측 데이터(310)가 생성되는 것을 도시한 모식도이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 충전소 점유 예측 데이터(310)는 충전소 트레이닝 데이터(200)로 학습된 충전소 점유 예측 인공신경망(3)에 충전소 테스트 데이터(210)를 입력하여 출력되게 된다. 출력된 충전소 점유 예측 데이터(310)는 학습된 충전소 점유 예측 인공신경망(3)의 Gradient, Weight, 손실(Loss) 등을 계산하는데 이용될 수 있다. 출력된 충전소 점유 예측 데이터(310)를 포함하여, 충전소 점유 예측 인공신경망(3)의 Gradient, Weight, 손실(Loss), Learning rate, 충전소 시계열 점유 데이터의 양 등은 상위계층 인공신경망(4)을 학습시키는데 이용될 수 있다.
상위계층 인공신경망(4)의 학습과 관련하여, 도 7은 본 발명의 일실시예에 따른 상위계층 인공신경망(4)의 학습을 도시한 모식도이다. 도 7에 도시된 바와 같이, 상위계층 인공신경망(4)의 학습에는 충전소 점유 예측 인공신경망(3)의 Gradient, Weight, 손실(Loss), Learning rate, 충전소 시계열 점유 데이터(120)의 양 등의 파라미터, 출력 데이터인 충전소 점유 예측 데이터(310), 입력 데이터인 충전소 테스트 데이터(210)가 입력 데이터인 상위계층 트레이닝 데이터(30)로 이용될 수 있다.
또한, 도 8은 본 발명의 일실시예에 따라 LSTM으로 구성된 상위계층 인공신경망의 학습을 도시한 모식도이다. 도 8에 도시된 바와 같이, 상위계층 인공신경망(4)은 LSTM(Long Short Term Memory)이나 RNN(Recurrent Neural Network)으로 구성될 수 있으며, 충전소 점유 예측 인공신경망(3)의 하이퍼 파라미터인 Parameter Scale, Gradient, Learning rate(학습률), Learning rate decay(학습률 분해), Regularization strenght(정규화 강도) 등이 출력 데이터로 학습될 수 있다.
학습된 LSTM의 상위계층 인공신경망(4)은 업데이트 된 출력값인 새로운 하이퍼 파라미터를 출력할 수 있고, 해당 하이퍼 파라미터를 이용해 충전소 점유 예측 인공신경망(3)의 weight를 업데이트 하도록 구성될 수 있다. 예를 들어, 상위계층 인공신경망의 출력값이 Learning rate 및 weight scaler인 경우, 아래 수학식 2와 같이 도출되는 새로운 가중치(weight)로 충전소 점유 예측 인공신경망(3)의 weight를 업데이트할 수 있다.
위 수학식 2에서 W는 가중치, s는 가중치 스케일러(Weight scaler), η는 학습률(Learning rate), L은 손실을 의미하고, ∂L/∂W는 가중치의 Gradient를 의미한다.
또한, 본 발명의 일실시예에 따른 상위계층 인공신경망(4)의 학습은 충전소 별 충전소 시계열 점유 데이터(120)의 양을 입력 데이터의 추가적인 속성(Attribute)으로 구성할 수 있다. 이에 따르면, 충전소별로 상위계층 인공신경망(4)의 학습이 더 정교해지는 효과가 발생된다.
위와 같이 학습된 상위계층 인공신경망(4)에 따르면, 각 충전소 별 데이터의 양이 인공신경망을 학습시키기에 부족한 경우에도 상위계층 인공신경망(4)이 각각의 충전소 점유 예측 인공신경망(3)을 해당 충전소에 대해 최적화하여 Global minimum을 찾을 수 있도록 하는 효과가 발생된다.
개별 충전소의 점유 여부 예측의 이용과 관련하여, 신경망 전이 및 상위계층 인공신경망에 의해 학습된 충전소 점유 예측 인공신경망(3)에 새로운 충전소 시계열 점유 데이터를 입력하고, 충전소 점유 예측 인공신경망(3)은 특정 예측 시간에 대응되는 충전소 점유 확률 정보를 출력하도록 구성될 수 있다. 이러한 충전소 점유 확률 정보는 기대치 기반의 가중치로 환산되어 경로 가중치에 합산될 수 있으며, 합산된 가중치를 이용하여 Shortest path 알고리즘을 이용해 최적화 경로를 계산 및 출력하도록 구성될 수 있다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.
본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.
그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.
1: 전처리 모듈
2: 구역 점유 예측 인공신경망
3: 충전소 점유 예측 인공신경망
4: 상위계층 인공신경망
10: 전기차 충전소 점유 예측 장치
30: 상위계층 트레이닝 데이터
100: 충전 건수 데이터
110: 구역 시계열 점유 데이터
120: 충전소 시계열 점유 데이터
200: 충전소 트레이닝 데이터
210: 충전소 테스트 데이터
300: 구역 점유 예측 데이터
310: 충전소 점유 예측 데이터
2: 구역 점유 예측 인공신경망
3: 충전소 점유 예측 인공신경망
4: 상위계층 인공신경망
10: 전기차 충전소 점유 예측 장치
30: 상위계층 트레이닝 데이터
100: 충전 건수 데이터
110: 구역 시계열 점유 데이터
120: 충전소 시계열 점유 데이터
200: 충전소 트레이닝 데이터
210: 충전소 테스트 데이터
300: 구역 점유 예측 데이터
310: 충전소 점유 예측 데이터
Claims (5)
- 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터인 구역 시계열 점유 데이터를 통해 상기 특정 구역의 특정 예측 시간에 대한 점유 예측을 수행하도록 학습된 인공신경망인 구역 점유 예측 인공신경망 모듈, 상기 특정 구역 내에 포함되는 특정 충전소의 시계열 점유 데이터인 충전소 시계열 점유 데이터를 통해 상기 특정 충전소의 상기 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망인 충전소 점유 예측 인공신경망 모듈 및 상기 충전소 점유 예측 인공신경망 모듈의 학습에 관한 가중치인 하이퍼 파라미터를 상위 계층에서 조정하는 인공신경망인 상위계층 인공신경망 모듈의 프로그램 코드를 저장하는 메모리 모듈; 및
상기 구역 점유 예측 인공신경망 모듈, 상기 충전소 점유 예측 인공신경망 모듈 및 상기 상위계층 인공신경망 모듈의 상기 프로그램 코드를 처리하는 처리 모듈;
을 포함하고,
상기 충전소 점유 예측 인공신경망 모듈의 상기 프로그램 코드는,
상기 구역 점유 예측 인공신경망 모듈의 출력 층(Layer) 또는 특정 층 이후의 후반부 층을 제외한 나머지 인공신경망 층을 상기 충전소 점유 예측 인공신경망 모듈에 전이(transfer)하는 신경망 전이 단계;
상기 특정 충전소의 시계열 점유 데이터인 상기 충전소 시계열 점유 데이터 및 상기 상위계층 인공신경망 모듈에서 제공되는 상기 하이퍼 파라미터를 기초로 상기 충전소 점유 예측 인공신경망 모듈을 학습하는 학습 단계; 및
학습된 상기 충전소 점유 예측 인공신경망에 새로운 충전소 시계열 점유 데이터를 입력하여, 상기 특정 예측 시간에 대한 상기 특정 충전소의 점유 여부 확률인 충전소 점유 예측 데이터을 출력하는 예측 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 상위계층 인공신경망 모듈은, 상기 충전소 점유 예측 인공신경망 모듈의 가중치, 상기 충전소 점유 예측 인공신경망 모듈의 입력 데이터인 상기 충전소 시계열 점유 데이터, 상기 충전소 점유 예측 인공신경망 모듈의 출력 데이터인 상기 충전소 점유 예측 데이터 및 충전소별 상기 충전소 시계열 점유 데이터의 양을 기초로 상기 충전소 점유 예측 인공신경망 모듈의 상기 하이퍼 파라미터를 출력하도록 학습 되고,
상기 하이퍼 파라미터는 학습률(Learning rate) 및 웨이트 스케일러(Weight scaler)을 의미하며,
상기 학습 단계에서 상기 충전소 점유 예측 인공신경망 모듈의 상기 가중치는 아래 수학식으로 도출되는 새로운 가중치로 업데이트되어 학습되도록 구성되고,
상기 상위계층 인공신경망 모듈에 의해 학습된 상기 충전소 점유 예측 인공신경망 모듈에서 출력되는 상기 충전소 점유 예측 데이터를 기초로 상기 특정 예측 시간에 대한 상기 특정 충전소의 전기차 점유를 예측하는 것을 특징으로 하는,
상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치.
[수학식]
위 수학식에서 Wnew는 상기 충전소 점유 예측 인공신경망 모듈의 상기 새로운 가중치, Wold는 상기 충전소 점유 예측 인공신경망 모듈의 기존 가중치, snew는 상기 웨이트 스케일러(Weight scaler), ηnew는 상기 학습률(Learning rate), L은 손실을 의미하고, ∂L/∂W는 가중치의 그래디언트(Gradient)를 의미함.
- 신경망 전이 모듈이, 계통이나 지역으로 클러스터링되는 특정 구역의 시계열 점유 데이터인 구역 시계열 점유 데이터를 통해 상기 특정 구역의 특정 예측 시간에 대한 점유 예측을 수행하도록 학습된 인공신경망인 구역 점유 예측 인공신경망 모듈의 출력 층(Layer) 또는 특정 층 이후의 후반부 층을 제외한 나머지 인공신경망 층을 상기 특정 구역 내에 포함되는 특정 충전소의 시계열 점유 데이터인 충전소 시계열 점유 데이터를 통해 상기 특정 충전소의 상기 특정 예측 시간에 대한 점유 예측을 수행하는 인공신경망인 충전소 점유 예측 인공신경망 모듈에 전이(transfer)하는 신경망 전이 단계;
학습 모듈이, 상기 특정 충전소의 시계열 점유 데이터인 상기 충전소 시계열 점유 데이터 및 상기 충전소 점유 예측 인공신경망 모듈의 학습에 관한 가중치인 하이퍼 파라미터를 상위 계층에서 조정하는 인공신경망인 상위계층 인공신경망 모듈에서 제공되는 상기 하이퍼 파라미터를 기초로 상기 충전소 점유 예측 인공신경망 모듈을 학습하는 학습 단계; 및
예측 모듈이, 학습된 상기 충전소 점유 예측 인공신경망에 새로운 충전소 시계열 점유 데이터를 입력하여, 상기 특정 예측 시간에 대한 상기 특정 충전소의 점유 여부 확률인 충전소 점유 예측 데이터를 출력하는 예측 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 상위계층 인공신경망 모듈은, 상기 충전소 점유 예측 인공신경망 모듈의 가중치, 상기 충전소 점유 예측 인공신경망 모듈의 입력 데이터인 상기 충전소 시계열 점유 데이터, 상기 충전소 점유 예측 인공신경망 모듈의 출력 데이터인 상기 충전소 점유 예측 데이터 및 충전소별 상기 충전소 시계열 점유 데이터의 양을 기초로 상기 충전소 점유 예측 인공신경망 모듈의 상기 하이퍼 파라미터를 출력하도록 학습 되고,
상기 하이퍼 파라미터는 학습률(Learning rate) 또는 웨이트 스케일러(Weight scaler)을 의미하며,
상기 학습 단계에서 상기 충전소 점유 예측 인공신경망 모듈의 상기 가중치는 아래 수학식으로 도출되는 새로운 가중치로 업데이트되어 학습되도록 구성되고,
상기 상위계층 인공신경망 모듈에 의해 학습된 상기 충전소 점유 예측 인공신경망 모듈에서 출력되는 상기 충전소 점유 예측 데이터를 기초로 상기 특정 예측 시간에 대한 상기 특정 충전소의 전기차 점유를 예측하는 것을 특징으로 하는,
상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 방법.
[수학식]
위 수학식에서 Wnew는 상기 충전소 점유 예측 인공신경망 모듈의 상기 새로운 가중치, Wold는 상기 충전소 점유 예측 인공신경망 모듈의 기존 가중치, snew는 상기 웨이트 스케일러(Weight scaler), ηnew는 상기 학습률(Learning rate), L은 손실을 의미하고, ∂L/∂W는 가중치의 그래디언트(Gradient)를 의미함.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180161379A KR102057649B1 (ko) | 2018-12-13 | 2018-12-13 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180161379A KR102057649B1 (ko) | 2018-12-13 | 2018-12-13 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102057649B1 true KR102057649B1 (ko) | 2019-12-19 |
Family
ID=69056177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180161379A KR102057649B1 (ko) | 2018-12-13 | 2018-12-13 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102057649B1 (ko) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819203A (zh) * | 2021-01-12 | 2021-05-18 | 湖北追日电气股份有限公司 | 一种基于深度学习的充电管理***及方法 |
CN113255954A (zh) * | 2020-12-03 | 2021-08-13 | 广西大学 | 一种混合同构异构深度图神经网络的充电时空预测方法 |
CN113450592A (zh) * | 2021-06-21 | 2021-09-28 | 中山大学 | 一种基于循环神经网络的停车场占有率预测方法 |
CN113705921A (zh) * | 2021-09-03 | 2021-11-26 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化求解方法 |
CN113947231A (zh) * | 2020-07-17 | 2022-01-18 | 北京满电出行科技有限公司 | 充电站空闲度预测方法及装置 |
WO2022050603A1 (ko) * | 2020-09-04 | 2022-03-10 | 현대글로비스 주식회사 | 수소 공급망 관리 최적화 플랫폼 및 그 방법 |
KR20220093643A (ko) | 2020-12-28 | 2022-07-05 | 한국로봇융합연구원 | 비접촉식 무선 충전 장치의 충전을 제어하는 방법, 장치, 및 시스템 |
KR20220113547A (ko) * | 2020-01-03 | 2022-08-12 | 페이지.에이아이, 인크. | 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 |
CN115271268A (zh) * | 2022-09-27 | 2022-11-01 | 国网浙江省电力有限公司宁波供电公司 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
US11913797B2 (en) | 2021-11-18 | 2024-02-27 | Honda Motor Co., Ltd. | Systems and methods for selecting a charging entity based on occupancy status |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016143094A (ja) * | 2015-01-29 | 2016-08-08 | パナソニックIpマネジメント株式会社 | 転移学習装置、転移学習システム、転移学習方法およびプログラム |
KR101926403B1 (ko) * | 2018-04-27 | 2018-12-07 | 남정우 | 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치 |
-
2018
- 2018-12-13 KR KR1020180161379A patent/KR102057649B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016143094A (ja) * | 2015-01-29 | 2016-08-08 | パナソニックIpマネジメント株式会社 | 転移学習装置、転移学習システム、転移学習方法およびプログラム |
KR101926403B1 (ko) * | 2018-04-27 | 2018-12-07 | 남정우 | 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102562708B1 (ko) * | 2020-01-03 | 2023-08-03 | 페이지.에이아이, 인크. | 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 |
US11823436B2 (en) | 2020-01-03 | 2023-11-21 | PAIGE.AI, Inc. | Systems and methods for processing electronic images for generalized disease detection |
CN115210772B (zh) * | 2020-01-03 | 2023-07-18 | 佩治人工智能公司 | 用于处理通用疾病检测的电子图像的***和方法 |
CN115210772A (zh) * | 2020-01-03 | 2022-10-18 | 佩治人工智能公司 | 用于处理通用疾病检测的电子图像的***和方法 |
KR20220113547A (ko) * | 2020-01-03 | 2022-08-12 | 페이지.에이아이, 인크. | 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들 |
CN113947231A (zh) * | 2020-07-17 | 2022-01-18 | 北京满电出行科技有限公司 | 充电站空闲度预测方法及装置 |
WO2022050603A1 (ko) * | 2020-09-04 | 2022-03-10 | 현대글로비스 주식회사 | 수소 공급망 관리 최적화 플랫폼 및 그 방법 |
CN113255954A (zh) * | 2020-12-03 | 2021-08-13 | 广西大学 | 一种混合同构异构深度图神经网络的充电时空预测方法 |
KR20220093643A (ko) | 2020-12-28 | 2022-07-05 | 한국로봇융합연구원 | 비접촉식 무선 충전 장치의 충전을 제어하는 방법, 장치, 및 시스템 |
CN112819203A (zh) * | 2021-01-12 | 2021-05-18 | 湖北追日电气股份有限公司 | 一种基于深度学习的充电管理***及方法 |
CN113450592A (zh) * | 2021-06-21 | 2021-09-28 | 中山大学 | 一种基于循环神经网络的停车场占有率预测方法 |
CN113705921A (zh) * | 2021-09-03 | 2021-11-26 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化求解方法 |
CN113705921B (zh) * | 2021-09-03 | 2024-02-27 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化方法 |
US11913797B2 (en) | 2021-11-18 | 2024-02-27 | Honda Motor Co., Ltd. | Systems and methods for selecting a charging entity based on occupancy status |
CN115271268A (zh) * | 2022-09-27 | 2022-11-01 | 国网浙江省电力有限公司宁波供电公司 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
CN115271268B (zh) * | 2022-09-27 | 2023-01-13 | 国网浙江省电力有限公司宁波供电公司 | 一种电动汽车充电站选址规划方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102057649B1 (ko) | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 | |
Thibault et al. | A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction | |
JP5989622B2 (ja) | 区間取得システム、区間取得方法および区間取得プログラム | |
US9417069B2 (en) | Familiarity modeling | |
Aljohani et al. | Real-Time metadata-driven routing optimization for electric vehicle energy consumption minimization using deep reinforcement learning and Markov chain model | |
US20200108732A1 (en) | Physical model-guided machine learning framework for energy management of vehicles | |
CN114450706A (zh) | 使用电动车辆充电站的电池性能管理***和方法 | |
Laroui et al. | Energy management for electric vehicles in smart cities: a deep learning approach | |
US9637111B2 (en) | Method and system for selecting power sources in hybrid electric vehicles | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
Wang et al. | Uncertainty estimation with distributional reinforcement learning for applications in intelligent transportation systems: A case study | |
Li et al. | Connectivity supported dynamic routing of electric vehicles in an inductively coupled power transfer environment | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
WO2020122285A1 (ko) | 전기차 충전소 점유 예측 인공신경망의 신경망 전이 장치 및 방법 | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
Aragón-Jurado et al. | Neuroevolved bi-directional LSTM applied to zero emission zones management in urban transport | |
CN116259175A (zh) | 一种面向多样化动态信号灯模式的车速推荐方法及装置 | |
CN116861758A (zh) | 用于ev行程能量预测的结合交通信息的nnt驾驶员模型 | |
Cussigh et al. | An all-electric alpine crossing: time-optimal strategy calculation via fleet-based vehicle data | |
Fu et al. | Targeted optimal-path problem for electric vehicles with connected charging stations | |
US20240154442A1 (en) | Method and apparatus for optimal timed charging | |
Fu et al. | Framework and operation of digital twin smart freeway | |
EP4368443A1 (en) | Method and apparatus for optimal timed charging | |
US20240149744A1 (en) | Method and apparatus for optimal timed charging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |