論文の概要: Vehicle Emissions Prediction with Physics-Aware AI Models: Preliminary
Results
- arxiv url: http://arxiv.org/abs/2105.00375v1
- Date: Sun, 2 May 2021 01:52:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 04:55:37.356557
- Title: Vehicle Emissions Prediction with Physics-Aware AI Models: Preliminary
Results
- Title(参考訳): 物理知能AIモデルによる自動車排出予測:予備結果
- Authors: Harish Panneer Selvam, Yan Li, Pengyue Wang, William F. Northrop,
Shashi Shekhar
- Abstract要約: 本稿では,車載診断(obd)データセットと物理に基づく排出予測モデルを用いて,車両排出を予測するai(artificial intelligence)手法の開発を目標とする。
提案手法は,非AI低階物理モデルよりも予測精度が約65%向上し,ベースラインモデルよりも約35%正確である。
- 参考スコア(独自算出の注目度): 3.7539433163922826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given an on-board diagnostics (OBD) dataset and a physics-based emissions
prediction model, this paper aims to develop an accurate and
computational-efficient AI (Artificial Intelligence) method that predicts
vehicle emissions. The problem is of societal importance because vehicular
emissions lead to climate change and impact human health. This problem is
challenging because the OBD data does not contain enough parameters needed by
high-order physics models. Conversely, related work has shown that low-order
physics models have poor predictive accuracy when using available OBD data.
This paper uses a divergent window co-occurrence pattern detection method to
develop a spatiotemporal variability-aware AI model for predicting emission
values from the OBD datasets. We conducted a case study using real-world OBD
data from a local public transportation agency. Results show that the proposed
AI method has approximately 65% improved predictive accuracy than a non-AI
low-order physics model and is approximately 35% more accurate than a baseline
model.
- Abstract(参考訳): 本稿では,車載診断(OBD)データセットと物理に基づく排出予測モデルを用いて,正確な計算効率の高いAI(Artificial Intelligence)手法を開発することを目的とする。
気候変動を引き起こし、人間の健康に影響を及ぼすため、社会的な重要性が問題となっている。
obdデータは高次物理学モデルに必要な十分なパラメータを含まないため、この問題は難しい。
逆に、関連する研究により、OBDデータを使用する場合、低次物理モデルは予測精度が低いことが示されている。
本稿では、分散ウィンドウ共起パターン検出法を用いて、OBDデータセットからの放射値を予測するための時空間変動を考慮したAIモデルを開発する。
地方公共交通機関の実世界のobdデータを用いた事例研究を行った。
その結果,提案手法は非ai低次物理モデルよりも予測精度が約65%向上し,ベースラインモデルよりも約35%精度が向上した。
関連論文リスト
- 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) - Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。
我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文 参考訳(メタデータ) (2023-10-28T10:19:55Z) - Fuel Consumption Prediction for a Passenger Ferry using Machine Learning
and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。
最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文 参考訳(メタデータ) (2023-10-19T19:35:38Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - A Physics Enhanced Residual Learning (PERL) Framework for Traffic State
Prediction [6.504282944114058]
PERLは、トラフィック状態予測のための物理とデータ駆動方式の長所を統合する。
物理モデルに固有の解釈可能性を保持し、データ要求を減らした。
PERLは、物理モデル、データ駆動モデル、PINNモデルと比較して、小さなデータセットでより良い予測を実現する。
論文 参考訳(メタデータ) (2023-09-26T21:41:45Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳(メタデータ) (2023-07-04T16:45:21Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳(メタデータ) (2021-03-11T15:21:08Z) - Improving Maritime Traffic Emission Estimations on Missing Data with
CRBMs [1.6311150636417262]
海上交通の排出は、沿岸都市の大気汚染に大きく影響するため、政府にとって大きな関心事である。
バルセロナ・スーパーコンピュータ・センターのCALIOPEのような最先端の複合システムは、空気品質のモデル化に使われている。
本研究では,条件付き制限付きボルツマンマシン(CRBM)と機械学習手法を用いた船舶データ処理手法を提案する。
論文 参考訳(メタデータ) (2020-09-07T10:32:43Z) - Software Defect Prediction Based On Deep Learning Models: Performance
Study [0.5735035463793008]
Stack Sparse Auto-Encoder(SSAE)とDeep Belief Network(DBN)の2つのディープラーニングモデルがデプロイされ、NASAデータセットを分類する。
実験の結果,十分なサンプルが得られたデータセットの精度が向上した。
論文 参考訳(メタデータ) (2020-04-02T06:02:14Z)
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。