論文の概要: Eco-PiNN: A Physics-informed Neural Network for Eco-toll Estimation
- arxiv url: http://arxiv.org/abs/2301.05739v1
- Date: Fri, 13 Jan 2023 19:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 19:10:53.676631
- Title: Eco-PiNN: A Physics-informed Neural Network for Eco-toll Estimation
- Title(参考訳): Eco-PiNN:Eco-toll推定のための物理情報ニューラルネットワーク
- Authors: Yan Li (1), Mingzhou Yang (1), Matthew Eagon (1), Majid Farhadloo (1),
Yiqun Xie (2), William F. Northrop (1), Shashi Shekhar (1) ((1) University of
Minnesota, (2) University of Maryland)
- Abstract要約: 物理インフォームドニューラルネットワークフレームワーク(Eco-PiNN)を提案する。
提案手法は,最先端手法と比較して,エコトール推定の精度を大幅に向上させることができる。
- 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: The eco-toll estimation problem quantifies the expected environmental cost
(e.g., energy consumption, exhaust emissions) for a vehicle to travel along a
path. This problem is important for societal applications such as eco-routing,
which aims to find paths with the lowest exhaust emissions or energy need. The
challenges of this problem are three-fold: (1) the dependence of a vehicle's
eco-toll on its physical parameters; (2) the lack of access to data with
eco-toll information; and (3) the influence of contextual information (i.e. the
connections of adjacent segments in the path) on the eco-toll of road segments.
Prior work on eco-toll estimation has mostly relied on pure data-driven
approaches and has high estimation errors given the limited training data. To
address these limitations, we propose a novel Eco-toll estimation
Physics-informed Neural Network framework (Eco-PiNN) using three novel ideas,
namely, (1) a physics-informed decoder that integrates the physical laws of the
vehicle engine into the network, (2) an attention-based contextual information
encoder, and (3) a physics-informed regularization to reduce overfitting.
Experiments on real-world heavy-duty truck data show that the proposed method
can greatly improve the accuracy of eco-toll estimation compared with
state-of-the-art methods.
- Abstract(参考訳): エコトール推定問題は、車両が経路を走行する際の期待される環境コスト(例えば、エネルギー消費、排気ガス)を定量化する。
この問題はエコルーティングのような社会的な応用において重要であり、排出の少ない経路やエネルギー需要の少ない経路を見つけることを目的としている。
本問題の課題は,(1)車両のエコトールの物理的パラメータ依存性,(2)エコトール情報によるデータへのアクセスの欠如,(3)道路セグメントのエコトールに対するコンテキスト情報(経路内の隣接セグメントの接続)の影響である。
Eco-toll推定の以前の研究は、主に純粋なデータ駆動型アプローチに依存しており、限られたトレーニングデータから高い推定誤差がある。
これらの制約に対処するために,(1)車両エンジンの物理法則をネットワークに統合する物理情報デコーダ,(2)注意に基づく文脈情報エンコーダ,(3)物理情報正規化によるオーバーフィッティングの低減という,3つの新しいアイデアを用いたEco-toll Estimation Physics-informed Neural Network framework(Eco-PiNN)を提案する。
実世界の大型トラックデータ実験により,提案手法が最先端手法と比較してエコトール推定の精度を大幅に向上できることを示した。
関連論文リスト
- EcoFollower: An Environment-Friendly Car Following Model Considering Fuel Consumption [9.42048156323799]
本研究では,自動車追従シナリオにおける燃料消費を最適化するために強化学習(RL)を用いて開発された新しいエコカー追従モデルであるEcoFollowerを紹介する。
このモデルは燃料消費を大幅に削減し、実際の運転シナリオと比較して10.42%削減した。
論文 参考訳(メタデータ) (2024-07-22T16:48:37Z) - EcoVerse: An Annotated Twitter Dataset for Eco-Relevance Classification, Environmental Impact Analysis, and Stance Detection [0.0]
EcoVerseは、さまざまな環境トピックにまたがる3,023のツイートからなる、英語の注釈付きTwitterデータセットである。
本研究では,環境関連分類,スタンス検出,環境影響分析のための独自のアプローチの導入を目的とした3段階のアノテーションスキームを提案する。
論文 参考訳(メタデータ) (2024-04-08T01:21:11Z) - Estimating On-road Transportation Carbon Emissions from Open Data of
Road Network and Origin-destination Flow Data [16.21501733814205]
我々は、オンロード二酸化炭素排出量推定(HENCE)のための階層的なグラフ学習法を構築した。
2つの大規模な実世界のデータセットの実験では、HENCEの有効性と、R-squared が 0.75 を超え、平均で 9.60% のベースラインを上回っていることが示されている。
論文 参考訳(メタデータ) (2024-02-07T13:51:33Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳(メタデータ) (2023-10-19T19:54:47Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳(メタデータ) (2023-02-16T18:35:00Z) - Eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。
モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文 参考訳(メタデータ) (2022-07-31T09:34:53Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - Attention-based Neural Network for Driving Environment Complexity
Perception [123.93460670568554]
本稿では,周囲の運転環境の複雑さを予測するための,注目に基づく新しいニューラルネットワークモデルを提案する。
Yolo-v3オブジェクト検出アルゴリズム、ヒートマップ生成アルゴリズム、CNNベースの特徴抽出器、注目ベースの特徴抽出器で構成される。
提案するアテンションベースネットワークは,周囲環境の複雑さを分類する平均分類精度91.22%を達成している。
論文 参考訳(メタデータ) (2021-06-21T17:27:11Z) - Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to
reduce electric vehicle's driver's range anxiety by estimating energy
consumption in real-time [9.475039534437332]
畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。
BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。
既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
論文 参考訳(メタデータ) (2020-08-31T12:45:15Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。