論文の概要: A Comparative Study on Energy Consumption Models for Drones
- arxiv url: http://arxiv.org/abs/2206.01609v1
- Date: Mon, 30 May 2022 23:05:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 09:39:45.714726
- Title: A Comparative Study on Energy Consumption Models for Drones
- Title（参考訳）: ドローンのエネルギー消費モデルの比較研究
- Authors: Carlos Muli, Sangyoung Park, Mingming Liu
- Abstract要約: 我々は、その物理的挙動から派生したドローンの5つの最も人気のあるエネルギー消費モデルをベンチマークする。
本稿では,Long Short-Term Memory (LSTM) に基づくディープラーニングアーキテクチャを用いた新しいデータ駆動型エネルギーモデルを提案する。
実験の結果,LSTMに基づくアプローチは,研究中のデータセットに対して,他の数学的モデルよりも容易に優れていることがわかった。
- 参考スコア（独自算出の注目度）: 4.660172505713055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Creating an appropriate energy consumption prediction model is becoming an
important topic for drone-related research in the literature. However, a
general consensus on the energy consumption model is yet to be reached at
present. As a result, there are many variations that attempt to create models
that range in complexity with a focus on different aspects. In this paper, we
benchmark the five most popular energy consumption models for drones derived
from their physical behaviours and point to the difficulties in matching with a
realistic energy dataset collected from a delivery drone in flight under
different testing conditions. Moreover, we propose a novel data-driven energy
model using the Long Short-Term Memory (LSTM) based deep learning architecture
and the accuracy is compared based on the dataset. Our experimental results
have shown that the LSTM based approach can easily outperform other
mathematical models for the dataset under study. Finally, sensitivity analysis
has been carried out in order to interpret the model.
- Abstract（参考訳）: 適切なエネルギー消費予測モデルの作成は、文献におけるドローン関連の研究において重要な話題となっている。
しかし、エネルギー消費モデルに関する一般的な合意はまだ得られていない。
結果として、さまざまな側面に焦点を絞った複雑さのモデルを作成しようとするバリエーションが数多く存在する。
本稿では,その物理的挙動から導かれるドローンの5つの最も一般的なエネルギー消費モデルを比較し,異なる試験条件下での配送ドローンから収集した現実的なエネルギーデータセットとの整合が困難であることを指摘する。
さらに,Long Short-Term Memory(LSTM)に基づくディープラーニングアーキテクチャを用いた新しいデータ駆動エネルギーモデルを提案し,その精度をデータセットに基づいて比較する。
実験の結果,LSTMに基づくアプローチは,研究中のデータセットの数学的モデルよりも容易に優れていることがわかった。
最後に,モデルを解釈するために感度解析を行った。
関連論文リスト
- From RNNs to Foundation Models: An Empirical Study on Commercial Building Energy Consumption [3.355907772736553]
商業ビルの短期エネルギー消費予測はスマートグリッドの運用に不可欠である。
スマートメーターとディープラーニングモデルは、複数の建物からの過去のデータを使用した予測を可能にするが、多様な建物からのデータの異質性は、モデルの性能を低下させる可能性がある。
我々は、米国の商業ビルのエネルギー消費データを提供するComStockデータセットを用いてこの問題に対処する。
論文 参考訳（メタデータ） (2024-11-21T18:54:43Z) - Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。
研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。
実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
論文 参考訳（メタデータ） (2024-11-01T21:56:39Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Creating synthetic energy meter data using conditional diffusion and building metadata [0.0]
本研究では,関連メタデータを用いて高品質な合成エネルギーデータを生成する条件拡散モデルを提案する。
様々な建物や国から1,828個のパワーメーターからなるデータセットを用いて、従来の手法と比較する。
その結果,FID(Frechet Inception Distance)スコアは36%,KL(Kulback-Leibler divergence)は13%低下した。
論文 参考訳（メタデータ） (2024-03-31T01:58:38Z) - 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) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳（メタデータ） (2022-12-16T23:42:57Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳（メタデータ） (2022-06-13T03:41:31Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳（メタデータ） (2021-06-01T22:33:53Z)
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。