論文の概要: Understanding Factors Affecting Fuel Consumption of Vehicles Through
Explainable Boosting Machines
- arxiv url: http://arxiv.org/abs/2107.06031v2
- Date: Thu, 15 Jul 2021 09:53:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 10:48:10.915325
- Title: Understanding Factors Affecting Fuel Consumption of Vehicles Through
Explainable Boosting Machines
- Title（参考訳）: 自動車の燃料消費に影響を与える要因の解明
- Authors: Alberto Barbado, \'Oscar Corcho
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A significant economic cost for many companies that operate with fleets of
diesel and petrol vehicles is related to fuel consumption. Consumption can be
reduced by acting over some factors, like driving behaviour style. Improving
these factors can reduce the fuel usage of a vehicle without changing other
aspects, such as planned routes or stops. This mitigates economic costs while
reducing emissions associated to fuel consumption. In this paper we show how
Explainable Artificial Intelligence (XAI) is useful for quantifying the impact
that fuel factors have on the consumption of a vehicle fleet. We use
Explainable Boosting Machines (EBM), trained over different features in order
to both model and explain the relationship between them and fuel consumption,
and then assess quality of the explanations using prior domain knowledge. We
work with real-world industry datasets that represent different types of
vehicles, from passenger cars to heavy-duty trucks.
- Abstract（参考訳）: ディーゼル車やガソリン車を扱う多くの企業にとって、かなりの経済コストは燃料消費に関係している。
消費は、運転行動スタイルのようないくつかの要因で作用することで減らすことができる。
これらの要因を改善することで、計画されたルートや停留所などの他の側面を変更することなく、車両の燃料使用量を削減できる。
これにより、燃料消費に関連する排出を削減しながら経済コストを軽減できる。
本稿では,説明可能な人工知能(xai)が,燃料要因が車両の消費に与える影響を定量化する上で有用であることを示す。
我々は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し、それらと燃料消費の関係をモデル化し説明し、事前の知識を用いて説明の質を評価する。
私たちは、乗用車から大型トラックまで、さまざまな種類の車両を表す現実世界の業界データセットで作業しています。
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) - Fair collaborative vehicle routing: A deep multi-agent reinforcement
learning approach [49.00137468773683]
協力的な車両ルーティングは、キャリアがそれぞれの輸送要求を共有し、互いに代表して輸送要求を実行することで協力するときに発生する。
従来のゲーム理論解の概念は、特性関数がエージェントの数とともに指数関数的にスケールするので、計算に費用がかかる。
我々は,この問題を,深層マルチエージェント強化学習を用いて解決した連立交渉ゲームとしてモデル化することを提案する。
論文 参考訳（メタデータ） (2023-10-26T15:42:29Z) - Coalitional Bargaining via Reinforcement Learning: An Application to
Collaborative Vehicle Routing [49.00137468773683]
コラボレーティブ・ビークル・ルーティング(Collaborative Vehicle Routing)とは、デリバリ情報を共有し、互いに代理してデリバリ要求を実行することで、デリバリ企業が協力する場所である。
これによりスケールの経済が達成され、コスト、温室効果ガスの排出、道路渋滞が減少する。
しかし、どの会社が誰とパートナーし、それぞれの会社がどれだけの報酬を支払うべきか?
シャプリー値(英語版)やヌクレオルス(英語版)のような伝統的なゲーム理論解の概念は、協調車両ルーティング(英語版)の現実問題に対して計算することが困難である。
論文 参考訳（メタデータ） (2023-10-26T15:04:23Z) - The Growth of E-Bike Use: A Machine Learning Approach [57.506876852412034]
アメリカでのEバイクの使用は2022年に15,737.82キログラムのCO2排出量を削減した。
同年、電動自転車利用者は活動を通じて約716,630.727キロカロリーを燃やした。
論文 参考訳（メタデータ） (2023-07-15T03:34:10Z) - Studying the Impact of Semi-Cooperative Drivers on Overall Highway Flow [76.38515853201116]
半協調行動は、人間ドライバーの本質的な性質であり、自律運転には考慮すべきである。
新たな自律型プランナーは、社会的に準拠した軌道を生成するために、人間のドライバーの社会的価値指向(SVO)を考慮することができる。
エージェントが反復的最適応答のゲーム理論バージョンをデプロイする暗黙的な半協調運転について検討する。
論文 参考訳（メタデータ） (2023-04-23T16:01:36Z) - Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble
of Neural Networks [2.147325264113341]
交通部門は温室効果ガス排出量の約25%を占めている。
エネルギー効率に影響を与える要因は、車両の種類、環境、運転者行動、気象条件である。
本研究では,予測不確実性を低減し,その不確実性を評価するために,深層ニューラルネットワーク(ENN)に基づくアンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2023-04-14T11:51:26Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - 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) - Interpretable Machine Learning Models for Predicting and Explaining
Vehicle Fuel Consumption Anomalies [2.28438857884398]
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。
論文 参考訳（メタデータ） (2020-10-28T16:50:17Z) - 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) - A Physics Model-Guided Online Bayesian Framework for Energy Management
of Extended Range Electric Delivery Vehicles [3.927161292818792]
本稿では、双方向の車両とクラウド接続を備えた配送車両において使用される、利用規則に基づくEMSを改善する。
物理モデルに基づくオンラインベイズフレームワークについて記述し,最終マイルのパッケージ配信に使用されるEREVの多数の使用済み駆動サンプルについて検証した。
実輸送155回の試験車両の燃料使用量の平均は12.8%減少した。
論文 参考訳（メタデータ） (2020-06-01T08:43:23Z)
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。