論文の概要: A Deep Learning Approach for Macroscopic Energy Consumption Prediction
with Microscopic Quality for Electric Vehicles
- arxiv url: http://arxiv.org/abs/2111.12861v1
- Date: Thu, 25 Nov 2021 01:20:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 16:15:31.510617
- Title: A Deep Learning Approach for Macroscopic Energy Consumption Prediction
with Microscopic Quality for Electric Vehicles
- Title（参考訳）: 電気自動車の微視的品質を考慮したマクロエネルギー消費予測のための深層学習手法
- Authors: Ayman Moawad, Krishna Murthy Gurumurthy, Omer Verbas, Zhijian Li,
Ehsan Islam, Vincent Freyermuth, Aymeric Rousseau
- Abstract要約: 本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。
エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。
このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a machine learning approach to model the electric
consumption of electric vehicles at macroscopic level, i.e., in the absence of
a speed profile, while preserving microscopic level accuracy. For this work, we
leveraged a high-performance, agent-based transportation tool to model trips
that occur in the Greater Chicago region under various scenario changes, along
with physics-based modeling and simulation tools to provide high-fidelity
energy consumption values. The generated results constitute a very large
dataset of vehicle-route energy outcomes that capture variability in vehicle
and routing setting, and in which high-fidelity time series of vehicle speed
dynamics is masked. We show that although all internal dynamics that affect
energy consumption are masked, it is possible to learn aggregate-level energy
consumption values quite accurately with a deep learning approach. When
large-scale data is available, and with carefully tailored feature engineering,
a well-designed model can overcome and retrieve latent information. This model
has been deployed and integrated within POLARIS Transportation System
Simulation Tool to support real-time behavioral transportation models for
individual charging decision-making, and rerouting of electric vehicles.
- Abstract（参考訳）: 本稿では,電気自動車の電気消費をマクロレベルでモデル化する機械学習手法,すなわち速度プロファイルを欠くことなく,微視的精度を保ちながらモデル化する。
本研究では,シカゴ大都市圏で発生したトリップを様々なシナリオでモデル化する高性能エージェントベースの輸送ツールと,高忠実度エネルギー消費値を提供する物理モデルとシミュレーションツールを活用した。
生成した結果は、車両と経路設定の変動を捉え、車両速度ダイナミクスの高精度な時系列をマスキングする、車両-ルートエネルギー結果の非常に大きなデータセットを構成する。
エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値をかなり正確に深層学習アプローチで学習することが可能である。
大規模なデータが利用可能で、注意深く機能工学を調整すれば、よく設計されたモデルは潜在情報を克服し、取得することができる。
このモデルはPOLARISトランスポーテーション・システム・シミュレーション・ツールに実装され、個別の充電決定および電気自動車の再走行のためのリアルタイムの行動輸送モデルをサポートする。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Modeling of New Energy Vehicles' Impact on Urban Ecology Focusing on Behavior [0.0]
新たなエネルギー車両の需要の急増は、エネルギーの保存、排出の削減、生態環境の強化によって引き起こされる。
新しいエネルギー車両の行動分析と鉱業利用パターンを特定できる。
新しいエネルギー車両と環境との相互作用をシミュレートするための環境計算モデリング手法が提案されている。
論文 参考訳（メタデータ） (2024-06-06T14:03:52Z) - Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。
GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
論文 参考訳（メタデータ） (2024-05-09T17:52:42Z) - Data-driven Energy Consumption Modelling for Electric Micromobility using an Open Dataset [6.000804135802873]
本稿では,E-ScootersとE-Bikesに関連するエネルギーモデリング研究のためのオープンデータセットを提案する。
本稿では,一組の機械学習アルゴリズムを用いて,データセットに基づくエネルギー消費モデリングの包括的解析を行う。
本研究は,データ駆動モデルに対して,エネルギー消費量を推定する数学的モデルと比較して,顕著な優位性を示した。
論文 参考訳（メタデータ） (2024-03-26T12:08:05Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:15:57Z) - Improving Deep Dynamics Models for Autonomous Vehicles with Multimodal
Latent Mapping of Surfaces [23.023397401781757]
そこで本稿では,潜伏変数ベクトルに条件付けすることで表面認識力学モデルを学ぶ新しい手法を提案する。
潜時マッパーは、複数のモードからの推論中にこれらの潜時変数を更新するように訓練される。
このモデルを用いることで、様々な面および困難面において駆動性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-03-21T11:21:31Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - EVGen: Adversarial Networks for Learning Electric Vehicle Charging Loads
and Hidden Representations [4.273017002805776]
我々は、電気自動車(EV)の充電セッションと非絡み合い表現を学ぶために、GAN(Generative Adversarial Network)を開発した。
このモデル構造は,非ラベル付き時間・電力パターンのパラメータ化に成功し,これらのパラメータを条件とした合成データを生成することができることを示す。
論文 参考訳（メタデータ） (2021-08-09T00:23:47Z) - Analyzing the Travel and Charging Behavior of Electric Vehicles -- A
Data-driven Approach [1.7403133838762446]
電気自動車(EV)は電力システムにかなりの電力需要をもたらす可能性がある。
本プロジェクトでは,全国住宅ホルドサーベイ(NHTS)データを用いて旅行の順序を定めている。
我々は、旅行開始時間、終了時間、距離など、ドライバーの次の旅行のパラメータを予測する機械学習モデルを開発する。
論文 参考訳（メタデータ） (2021-06-11T15:53:59Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z)
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。