EV 充電需要量の時空間モデリング

arXiv:2604.19841v1 Announce Type: cross 要約: 電気自動車（EV）充電需要量の正確な予測は、グリッド管理及びインフラ計画にとって不可欠である。しかし、該 field はまだ、Palo Alto (2020) データセットなど、現代的な充電ネットワークの規模や行動の多様性を反映していない古いベンチマークに依存している。これに対応するため、私たちはスコットランド全域で収集した大規模な縦断データセット（2022 年 -2025 年）を提案し、これをコミュニティ向けオープンベンチマークとして公開する。このデータセットに基づき、EV 充電需要量を時空間の潜在ガウス場と定義し、統合された内側ラプラス近似（INLA）を用いた近似的なベイズ推論を実施する。生成されたモデルは、単一の確率的枠組み内で空間的相関、時間的動的挙動、および共変量の効果を一貫した形で捉える。構内レベルの予測タスクにおいて、当社のアプローチは機械学習ベースラインに対して競争力のある予測精度を示し、同時にリスク認識型のインフラ計画において不可欠である原則的な不確実性の量化と解釈可能な空間的・時間的な分解特性を提供する。

arXiv:2604.19841v1 Announce Type: cross Abstract: 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 charging networks. To address this, we introduce a novel large-scale longitudinal dataset collected across Scotland (2022 2025), which release it as an open benchmark for the community. Building on this dataset, we formulate EV charging demand as a spatio-temporal latent Gaussian field and perform approximate Bayesian inference via Integrated Nested Laplace Approximation (INLA). The resulting model jointly captures spatial dependence, temporal dynamics, and covariate effects within a unified proba bilistic framework. On station-level forecasting tasks, our approach achieves competitive predictive accuracy against machine learning baselines, while additionally providing principled uncertainty quan tification and interpretable spatial and temporal decompositions properties that are essential for risk-aware infrastructure planning.