論文の概要: Interpretable Machine Learning Models for Predicting and Explaining Vehicle Fuel Consumption Anomalies

• arxiv url: http://arxiv.org/abs/2010.16051v5
• Date: Thu, 22 Jul 2021 12:13:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 04:45:29.800201
• Title: Interpretable Machine Learning Models for Predicting and Explaining Vehicle Fuel Consumption Anomalies
• Title（参考訳）: 車両の燃料消費異常の予測と説明のための解釈可能な機械学習モデル
• Authors: Alberto Barbado, \'Oscar Corcho
• Abstract要約: 我々は,異常燃料消費の潜在的な原因を説明するために,教師なし異常検出技術,ドメイン知識,解釈可能な機械学習モデルを組み合わせる。 結果は、さまざまな種類の産業車両のディーゼル車やガソリン車に接続されたテレマティクス機器の実際のデータに基づいて評価される。 燃料の削減が達成できる可能性は35%である。
• 参考スコア（独自算出の注目度）: 2.28438857884398
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Identifying anomalies in the fuel consumption of the vehicles of a fleet is a crucial aspect for optimizing consumption and reduce costs. However, this information alone is insufficient, since fleet operators need to know the causes behind anomalous fuel consumption. We combine unsupervised anomaly detection techniques, domain knowledge and interpretable Machine Learning models for explaining potential causes of abnormal fuel consumption in terms of feature relevance. The explanations are used for generating recommendations about fuel optimization, that are adjusted according to two different user profiles: fleet managers and fleet operators. Results are evaluated over real-world data from telematics devices connected to diesel and petrol vehicles from different types of industrial fleets. We measure the proposal regarding model performance, and using Explainable AI metrics that compare the explanations in terms of representativeness, fidelity, stability, contrastiveness and consistency with apriori beliefs. The potential fuel reductions that can be achieved is round 35%.
• Abstract（参考訳）: 車両の燃料消費の異常を識別することは、消費を最適化しコストを削減する上で重要な側面である。 しかし、燃料消費の異常の原因を知る必要があるため、この情報だけでは不十分である。 我々は,異常燃料消費の潜在的な原因を説明するために,教師なし異常検出技術,ドメイン知識,解釈可能な機械学習モデルを組み合わせる。 この説明は、燃料最適化に関するレコメンデーションを生成するために使用され、これは2つの異なるユーザープロファイルに従って調整される。 結果は、さまざまな種類の産業車両のディーゼル車やガソリン車に接続されたテレマティクス機器の実際のデータに基づいて評価される。 モデル性能に関する提案と,説明可能なaiメトリクスを用いて,代表性,忠実性,安定性,対比性,一貫性をアプリオリ信仰と比較する。 燃料の削減が達成できる可能性は35%である。

関連論文リスト

• A Scoping Review of Energy-Efficient Driving Behaviors and Applied State-of-the-Art AI Methods [2.765388013062202]
  エネルギー効率の良い運転行動や戦略に関する包括的な調査は行われていない。 多くの最先端AIモデルは、エコフレンドリーな運転スタイルの分析に応用されているが、概観は得られていない。 本稿では、生態的な運転行動とスタイルに関する詳細な文献レビューを行い、エネルギー消費に影響を与える運転要因について分析する。
  論文  参考訳（メタデータ） (2024-03-04T13:57:34Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Deep Reinforcement Learning Aided Platoon Control Relying on V2X Information [78.18186960475974]
  車両間通信(V2X)が小隊制御性能に及ぼす影響について検討した。 我々の目的は、最も適切な状態空間を構築するために、車両間で共有されるべき特定の情報の集合を見つけることである。 状態空間に含めると、より高い状態次元を持つ負の効果を相殺する確率が高いため、より有益な情報が伝達においてより高い優先度で与えられる。
  論文  参考訳（メタデータ） (2022-03-28T02:11:54Z)
• Predicting Fuel Consumption in Power Generation Plants using Machine Learning and Neural Networks [0.0]
  国有グリッドからの発電の不安定さは、産業(例えば、電気通信)が事業を運営するためにプラント発電機に依存するようになった。 二次発電機は、システムの内外への燃料漏れや、燃料レベルゲージの摂動など、さらなる課題を発生させる。 社会経済的要因による燃料価格の上昇に伴い、過剰な燃料消費と燃料ピラージュが問題となる。
  論文  参考訳（メタデータ） (2022-02-11T13:21:25Z)
• 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)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Understanding Factors Affecting Fuel Consumption of Vehicles Through Explainable Boosting Machines [0.0]
  説明可能な人工知能(XAI)は、燃料要因が車両の消費に与える影響を定量化するのにどのように役立つかを示す。 我々は, 燃料消費と燃料消費の関係をモデル化し, 説明可能なブースティングマシン (EBM) を用いて, 異なる特徴を訓練する。
  論文  参考訳（メタデータ） (2021-07-13T12:39:59Z)
• Driving-Signal Aware Full-Body Avatars [49.89791440532946]
  そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。 我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。 仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-21T16:22:38Z)
• Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient Driving [0.7087237546722617]
  本稿では, リアルタイム自動監視とドライバフィードバックにより, 燃費効率の高い運転行動を促進する新しい枠組みを提案する。 歴史的データを用いたランダムフォレスト型分類モデルを用いて, 燃料非効率運転行動の同定を行う。 不効率な運転動作が検出されると、ファジィ論理推論システムを使用して、燃料効率の運転動作を維持するために運転者がすべきことを判断する。
  論文  参考訳（メタデータ） (2020-07-03T09:23:53Z)
• Data-Driven Prediction of Route-Level Energy Use for Mixed-Vehicle Transit Fleets [7.2775693810940565]
  公共交通機関は電気自動車(EV)による燃費削減を目指している EVの先行コストが高いため、ほとんどの機関は内燃機関と電気自動車の混成車しか手に入らない。 混合車両輸送車両における経路レベルのエネルギー利用に関するデータ駆動予測のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-04-10T16:31:10Z)

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。