Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341157Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Karaman, Ö. A. | |
| dc.contributor.author | Aslan, A. | |
| dc.contributor.author | Öztürk, G. | |
| dc.contributor.author | Canpolat, M. | |
| dc.date.accessioned | 2026-02-05T11:05:03Z | - |
| dc.date.available | 2026-02-05T11:05:03Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 157-167. | |
| dc.identifier.isbn | 978-985-881-851-7 | |
| dc.identifier.isbn | 978-985-881-853-1 (ч. 2) | |
| dc.identifier.uri | https://elib.bsu.by/handle/123456789/341157 | - |
| dc.description | Раздел II. Нейронные сети и глубокое обучение | |
| dc.description.abstract | This study presents a systematic comparative analysis of ten machine learning algorithms for predicting energy consumption at electric vehicle (EV) charging stations. With the rapid proliferation of EVs and the increasing complexity of energy grid management, accurate forecasting of charging demand has become critical for infrastructure planning and sustainable energy integration. Results demonstrate that ensemble methods significantly outperform traditional approaches, with LightGBM achieving superior accuracy (R² = 0.9973, MAPE = 2.84%) | |
| dc.language.iso | en | |
| dc.publisher | Минск : БГУ | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика | |
| dc.title | Machine learning algorithms for electric vehicle charging station energy consumption prediction | |
| dc.title.alternative | Машинное обучение для прогнозирования энергопотребления на зарядных станциях электромобилей / О. А. Караман, А. Аслан, Г. Озтюрк, М. Канполат | |
| dc.type | conference paper | |
| dc.description.alternative | В данной работе представлен систематический сравнительный анализ десяти алгоритмов машинного обучения для прогнозирования энергопотребления на зарядных станциях электромобилей. С ростом числа электромобилей и усложнением управления энергосетями точное прогнозирование спроса на зарядку становится критически важным для планирования инфраструктуры и интеграции возобновляемой энергии. Результаты показывают, что ансамблевые методы значительно превосходят традиционные подходы, при этом LightGBM обеспечивает наивысшую точность (R² = 0,9973, MAPE = 2,84%) | |
| Располагается в коллекциях: | 2025. Информационные системы и технологии | |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 157-167.pdf | 631,31 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.