論文の概要: Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm

• arxiv url: http://arxiv.org/abs/2206.03612v1
• Date: Tue, 7 Jun 2022 22:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 12:30:47.641979
• Title: Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm
• Title（参考訳）: CNN高効率ネットとIGTDアルゴリズムを用いた電気自動車の充電レベル予測モデル
• Authors: Seongwoo Choi, Chongzhou Fang, David Haddad, Minsung Kim
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、膨大な画像データセットを理解するための優れたソリューションです。 私たちは、データセットを分析して、料金の状態と、どの料金レベルを選択するかを理解するために、ディープラーニングアプローチを実装しました。 EfficientNetのような他のCNNアーキテクチャを統合し、CNNが画像から情報を読むための優れた学習者であることを証明した。
• 参考スコア（独自算出の注目度）: 1.700438015014627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNN) have been a good solution for understanding a vast image dataset. As the increased number of battery-equipped electric vehicles is flourishing globally, there has been much research on understanding which charge levels electric vehicle drivers would choose to charge their vehicles to get to their destination without any prevention. We implemented deep learning approaches to analyze the tabular datasets to understand their state of charge and which charge levels they would choose. In addition, we implemented the Image Generator for Tabular Dataset algorithm to utilize tabular datasets as image datasets to train convolutional neural networks. Also, we integrated other CNN architecture such as EfficientNet to prove that CNN is a great learner for reading information from images that were converted from the tabular dataset, and able to predict charge levels for battery-equipped electric vehicles. We also evaluated several optimization methods to enhance the learning rate of the models and examined further analysis on improving the model architecture.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、膨大な画像データセットを理解するための優れたソリューションです。 電気自動車(EV)のバッテリ装備が世界中で増えている中、電気自動車のドライバーがどのレベルを充電して目的地に着くかを事前に把握する研究が盛んに行われている。 私たちは、テーブル型データセットを分析して、彼らのチャージ状態と、彼らが選択するチャージレベルを理解するために、ディープラーニングのアプローチを実装しました。 さらに,図形データセットを画像データセットとして利用し,畳み込みニューラルネットワークを訓練するための画像生成アルゴリズムを実装した。 また,cnnは表型データセットから変換された画像から情報を読み取るための優れた学習者であり,バッテリ付電気自動車の充電レベルを予測できることを証明するために, efficientnet などの他の cnn アーキテクチャを統合した。 また,モデルの学習率を高めるための最適化手法をいくつか評価し,モデルアーキテクチャの改善に関するさらなる分析を行った。

関連論文リスト

• VoltaVision: A Transfer Learning model for electronic component classification [1.4132765964347058]
  我々はVoltaVisionと呼ばれる軽量CNNを導入し、その性能をより複雑なモデルと比較する。 我々は、類似したタスクから対象ドメインへの知識の転送が、一般的なデータセットでトレーニングされた最先端モデルよりも優れた結果をもたらすという仮説を検証した。
  論文  参考訳（メタデータ） (2024-04-05T05:42:23Z)
• Secure short-term load forecasting for smart grids with transformer-based federated learning [0.0]
  電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。 きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。 本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:27:55Z)
• Mobile Traffic Prediction at the Edge through Distributed and Transfer Learning [2.687861184973893]
  このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。 本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T23:48:13Z)
• Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
  不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。 グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。 提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
  論文  参考訳（メタデータ） (2023-02-02T17:45:02Z)
• Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems [79.58173794910631]
  トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。 理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
  論文  参考訳（メタデータ） (2022-05-31T17:09:46Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
  畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。 この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。 我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
  論文  参考訳（メタデータ） (2020-12-20T23:24:31Z)
• Estimating State of Charge for xEV batteries using 1D Convolutional Neural Networks and Transfer Learning [0.4129225533930966]
  電気自動車における1次元畳み込みニューラルネットワーク(CNN)に基づく電荷推定アルゴリズムを提案する。 異なる種類の雑音がCNNモデルの推定能力に与える影響について検討した。 提案手法は,推定精度,学習速度,一般化能力の点で良好である。
  論文  参考訳（メタデータ） (2020-11-02T09:27:03Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。