論文の概要: Online Learning Models for Vehicle Usage Prediction During COVID-19
- arxiv url: http://arxiv.org/abs/2210.16002v2
- Date: Wed, 28 Feb 2024 09:33:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 19:33:54.791589
- Title: Online Learning Models for Vehicle Usage Prediction During COVID-19
- Title（参考訳）: 自動車利用予測のためのオンライン学習モデル
- Authors: Tobias Lindroth, Axel Svensson, Niklas {\AA}kerblom, Mitra
Pourabdollah, Morteza Haghir Chehreghani
- Abstract要約: 本研究は,オンライン機械学習モデルを用いて,1日1ドライブの出発時刻と距離を推定する。
オンライン機械学習モデルは、新型コロナウイルス(COVID-19)パンデミックの間、一連のBEVから収集された歴史的運転データに基づいてトレーニングされ、評価される。
この結果から, 最良性能予測モデルでは, 出発時刻の予測では平均絶対誤差が2.75時間, 走行距離の予測では13.37kmとなった。
- 参考スコア（独自算出の注目度）: 2.287415292857564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today, there is an ongoing transition to more sustainable transportation, for
which an essential part is the switch from combustion engine vehicles to
battery electric vehicles (BEVs). BEVs have many advantages from a
sustainability perspective, but issues such as limited driving range and long
recharge times slow down the transition from combustion engines. One way to
mitigate these issues is by performing battery thermal preconditioning, which
increases the energy efficiency of the battery. However, to optimally perform
battery thermal preconditioning, the vehicle usage pattern needs to be known,
i.e., how and when the vehicle will be used. This study attempts to predict the
departure time and distance of the first drive each day using online machine
learning models. The online machine learning models are trained and evaluated
on historical driving data collected from a fleet of BEVs during the COVID-19
pandemic. Additionally, the prediction models are extended to quantify the
uncertainty of their predictions, which can be used to decide whether the
prediction should be used or dismissed. Based on our results, the
best-performing prediction models yield an aggregated mean absolute error of
2.75 hours when predicting departure time and 13.37 km when predicting trip
distance.
- Abstract（参考訳）: 現在、より持続可能な輸送手段への移行が進行中であり、燃焼エンジン車からバッテリー電気自動車(BEV)への切り替えが重要な部分となっている。
BEVにはサステナビリティの観点から多くの利点があるが、運転距離の制限や長時間の充電といった問題は燃焼エンジンからの遷移を遅らせる。
これらの問題を緩和する1つの方法は、バッテリーのエネルギー効率を増加させるバッテリーの温熱前処理を行うことである。
しかし、バッテリ熱プリコンディショニングを最適に実行するには、車両の使用パターン、すなわち車両の使用方法と使用時期を知る必要がある。
本研究は,オンライン機械学習モデルを用いて,1日1ドライブの出発時刻と距離を推定する。
オンライン機械学習モデルは、新型コロナウイルス(COVID-19)パンデミックの間、一連のBEVから収集された歴史的運転データに基づいてトレーニングされ、評価される。
さらに、予測モデルを拡張して、予測の不確かさを定量化し、予測を使用するか、削除するかを判断することができる。
この結果から, 最良性能予測モデルでは, 出発時刻の予測では平均絶対誤差が2.75時間, 走行距離の予測では13.37kmとなった。
関連論文リスト
- Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - Divide-Conquer Transformer Learning for Predicting Electric Vehicle Charging Events Using Smart Meter Data [4.820576346277399]
過去のスマートメーターデータを用いた家庭用充電予測手法を開発した。
我々は様々な予測時間で96.81%以上の精度を一貫して達成している。
論文 参考訳（メタデータ） (2024-03-20T02:17:16Z) - Facilitating Battery Swapping Services for Freight Trucks with Spatial-Temporal Demand Prediction [30.745797708291864]
本稿では,大型トラックにおけるバッテリスワッピングサービスの可能性と有効性について検討する。
特に,バッテリスワッピングサービスの初期段階は移動式バッテリスワッピングステーションが好まれるが,システムが成熟するにつれて固定配置ステーションが好まれる。
論文 参考訳（メタデータ） (2023-10-01T19:21:58Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Uncertainty-Aware Prediction of Battery Energy Consumption for Hybrid
Electric Vehicles [2.147325264113341]
本稿では,バッテリエネルギー消費をモデル化するための機械学習手法を提案する。
予測の不確実性を低減させることで、この手法は車両の性能に対する信頼を高めるのに役立つ。
従来の手法に比べて,予測の不確実性や精度が向上した。
論文 参考訳（メタデータ） (2022-04-27T10:29:38Z) - Investigating the Spatiotemporal Charging Demand and Travel Behavior of
Electric Vehicles Using GPS Data: A Machine Learning Approach [1.160208922584163]
電気自動車(EV)は運転者の走行行動を変え、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。
電力需要はEVの走行行動に依存するため、日々の充電需要(CD)の予測は難しい課題となる。
本稿では,同市からのEVおよび従来のガソリン自動車のGPSデータを用いて,運転者の走行行動の変化について検討する。
論文 参考訳（メタデータ） (2022-02-28T23:11:30Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - 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) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳（メタデータ） (2020-03-25T16:09:54Z)
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。