論文の概要: Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time

• arxiv url: http://arxiv.org/abs/2008.13559v1
• Date: Mon, 31 Aug 2020 12:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 07:29:29.344908
• Title: Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time
• Title（参考訳）: convolutional neural network-bagged decision tree:リアルタイムエネルギー消費量推定による電気自動車の走行距離不安軽減のためのハイブリッドアプローチ
• Authors: Shatrughan Modi, Jhilik Bhattacharya, Prasenjit Basak
• Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。 既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
• 参考スコア（独自算出の注目度）: 9.475039534437332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To overcome range anxiety problem of Electric Vehicles (EVs), an accurate real-time energy consumption estimation is necessary, which can be used to provide the EV's driver with information about the remaining range in real-time. A hybrid CNN-BDT approach has been developed, in which Convolutional Neural Network (CNN) is used to provide an energy consumption estimate considering the effect of temperature, wind speed, battery's SOC, auxiliary loads, road elevation, vehicle speed and acceleration. Further, Bagged Decision Tree (BDT) is used to fine tune the estimate. Unlike existing techniques, the proposed approach doesn't require internal vehicle parameters from manufacturer and can easily learn complex patterns even from noisy data. Comparison results with existing techniques show that the developed approach provides better estimates with least mean absolute energy deviation of 0.14.
• Abstract（参考訳）: 電気自動車(EV)の走行距離不安を克服するためには、正確なリアルタイムエネルギー消費推定が必要である。 温度,風速,バッテリのSOC,補助負荷,道路の高架化,車両の速度,加速度の影響を考慮し,CNN(Convolutional Neural Network)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 さらに、推定値を微調整するためにBDT(Bagged Decision Tree)を用いる。 既存の技術とは異なり、提案手法ではメーカーの内部車両パラメータは必要とせず、ノイズデータからでも複雑なパターンを簡単に学習できる。 既存の手法と比較した結果, 平均絶対エネルギー偏差が0.14で, 推定精度が向上した。

関連論文リスト

• Privacy-Aware Energy Consumption Modeling of Connected Battery Electric Vehicles using Federated Learning [4.68055125124498]
  バッテリー電気自動車(BEV)は、大気汚染を減らす可能性から、現代都市ではますます重要になっている。 データプライバシに対する大衆の認識が高まるにつれて、BEVエネルギー消費モデリングの文脈でデータプライバシを保護するアプローチを採用することが不可欠である。 本研究は,ユーザプライバシを維持しつつ,BEVのエネルギー消費予測を改善するために,フェデレートラーニング(FL)手法を用いることの可能性を検討する。
  論文  参考訳（メタデータ） (2023-12-12T15:40:38Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Data-Driven Probabilistic Energy Consumption Estimation for Battery Electric Vehicles with Model Uncertainty [1.0787390511207684]
  本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。 モデル不確実性をニューラルネットワークに組み込むことで、モンテカルロを用いたニューラルネットワークのアンサンブルを作成しました。 提案手法は, 平均絶対誤差9.3%を達成し, 既存のEVエネルギー消費モデルよりも精度が高い。
  論文  参考訳（メタデータ） (2023-07-02T04:30:20Z)
• A Novel SOC Estimation for Hybrid Energy Pack using Deep Learning [0.0]
  本稿では,リチウムイオン電池・スーパーキャパシタHESS EVの深層学習に基づくSOC推定手法を提案する。 提案手法により,SOC推定精度は平均91.5%向上し,誤差値は0.1%以下となった。
  論文  参考訳（メタデータ） (2022-12-23T22:48:22Z)
• An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning [50.85048976506701]
  本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。 バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
  論文  参考訳（メタデータ） (2021-11-13T15:03:44Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Safe Model-based Off-policy Reinforcement Learning for Eco-Driving in Connected and Automated Hybrid Electric Vehicles [3.5259944260228977]
  本研究は,エコドライブ問題に対するセーフオフポジーモデルに基づく強化学習アルゴリズムを提案する。 提案アルゴリズムは, モデルフリーエージェントと比較して, 平均速度が高く, 燃費も良好である。
  論文  参考訳（メタデータ） (2021-05-25T03:41:29Z)
• Analysis of NARXNN for State of Charge Estimation for Li-ion Batteries on various Drive Cycles [0.0]
  State of Charge(SOC)は、EVの範囲を予測するのに役立つメトリクスです。 データ駆動アプローチを選択し、外部入力ニューラルネットワーク(NARXNN)を備えた自動回帰ネットワークを探索し、SOCを正確に推定します。 モデルは従来の統計的機械学習手法より優れており、1e-5の範囲で平均二乗誤差(MSE)を達成する。
  論文  参考訳（メタデータ） (2020-12-19T16:11:13Z)
• Mobile Cellular-Connected UAVs: Reinforcement Learning for Sky Limits [71.28712804110974]
  本稿では,UAVの切断時間,ハンドオーバ速度,エネルギー消費を低減するため,MAB(Multi-armed bandit)アルゴリズムを提案する。 それぞれの性能指標(PI)が、適切な学習パラメータの範囲を採用することにより、どのように改善されるかを示す。
  論文  参考訳（メタデータ） (2020-09-21T12:35:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。