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
- 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) - Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - DECODE: Data-driven Energy Consumption Prediction leveraging Historical
Data and Environmental Factors in Buildings [1.2891210250935148]
本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。
LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。
これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
論文 参考訳(メタデータ) (2023-09-06T11:02:53Z) - 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) - Explainable Artificial Intelligence for Exhaust Gas Temperature of
Turbofan Engines [0.0]
記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。
本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。
その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
論文 参考訳(メタデータ) (2022-03-24T15:05:32Z) - Physics-informed linear regression is a competitive approach compared to
Machine Learning methods in building MPC [0.8135412538980287]
総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。
また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
論文 参考訳(メタデータ) (2021-10-29T16:56:05Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - 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) - IrEne: Interpretable Energy Prediction for Transformers [15.677294441315535]
NLPモデルの既存のソフトウェアベースのエネルギー測定は、エネルギー消費とモデル実行の間の複雑な相互作用を考慮していないため正確ではない。
本稿では,幅広いトランスフォーマーベースNLPモデルの推論エネルギー消費を正確に予測する,解釈可能なエネルギー予測システムIrEneを提案する。
論文 参考訳(メタデータ) (2021-06-02T14:43:51Z) - 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。