論文の概要: Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble
of Neural Networks
- arxiv url: http://arxiv.org/abs/2304.07073v2
- Date: Tue, 2 May 2023 09:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 16:59:18.052687
- Title: Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble
of Neural Networks
- Title（参考訳）: ニューラルネットワークを用いた不確実性を考慮した車両エネルギー効率予測
- Authors: Jihed Khiari, Cristina Olaverri-Monreal
- Abstract要約: 交通部門は温室効果ガス排出量の約25%を占めている。
エネルギー効率に影響を与える要因は、車両の種類、環境、運転者行動、気象条件である。
本研究では,予測不確実性を低減し,その不確実性を評価するために,深層ニューラルネットワーク(ENN)に基づくアンサンブル学習手法を提案する。
- 参考スコア（独自算出の注目度）: 2.147325264113341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transportation sector accounts for about 25% of global greenhouse gas
emissions. Therefore, an improvement of energy efficiency in the traffic sector
is crucial to reducing the carbon footprint. Efficiency is typically measured
in terms of energy use per traveled distance, e.g. liters of fuel per
kilometer. Leading factors that impact the energy efficiency are the type of
vehicle, environment, driver behavior, and weather conditions. These varying
factors introduce uncertainty in estimating the vehicles' energy efficiency. We
propose in this paper an ensemble learning approach based on deep neural
networks (ENN) that is designed to reduce the predictive uncertainty and to
output measures of such uncertainty. We evaluated it using the publicly
available Vehicle Energy Dataset (VED) and compared it with several baselines
per vehicle and energy type. The results showed a high predictive performance
and they allowed to output a measure of predictive uncertainty.
- Abstract（参考訳）: 交通部門は温室効果ガス排出量の約25%を占めている。
したがって、交通分野におけるエネルギー効率の向上は、炭素フットプリントの削減に不可欠である。
効率は通常、走行距離あたりのエネルギー使用量(例えば1kmあたりの燃料のリットル)で測定される。
エネルギー効率に影響を与える主要な要因は、車両の種類、環境、運転者の行動、気象条件である。
これらの異なる要因は、車両のエネルギー効率の推定に不確実性をもたらす。
本稿では,予測の不確かさを低減し,そのような不確実性の尺度を出力するために設計された,深層ニューラルネットワーク(enn)に基づくアンサンブル学習手法を提案する。
我々は、ved(public available vehicle energy dataset)を用いて評価し、車両毎およびエネルギータイプ毎のベースラインと比較した。
その結果,予測性能が高く,予測不確実性の指標を出力することができた。
関連論文リスト
- Green vehicle routing problem that jointly optimizes delivery speed and routing based on the characteristics of electric vehicles [0.0]
本稿では,実車を用いたエネルギー消費モデルを構築した。
エネルギー消費モデルはまた、車両のスタート/ストップ、速度、距離、および負荷がエネルギー消費に与える影響も含んでいる。
改良された適応遺伝的アルゴリズムは、最もエネルギー効率のよい経路を解くために用いられる。
論文 参考訳（メタデータ） (2024-10-04T08:08:15Z) - A Scoping Review of Energy-Efficient Driving Behaviors and Applied
State-of-the-Art AI Methods [2.765388013062202]
エネルギー効率の良い運転行動や戦略に関する包括的な調査は行われていない。
多くの最先端AIモデルは、エコフレンドリーな運転スタイルの分析に応用されているが、概観は得られていない。
本稿では、生態的な運転行動とスタイルに関する詳細な文献レビューを行い、エネルギー消費に影響を与える運転要因について分析する。
論文 参考訳（メタデータ） (2024-03-04T13:57:34Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Data-Driven Probabilistic Energy Consumption Estimation for Battery
Electric Vehicles with Model Uncertainty [1.0787390511207684]
本稿では,モデル不確実性を伴う確率的ニューラルネットワークを用いた運転行動中心のEVエネルギー消費推定モデルを提案する。
モデル不確実性をニューラルネットワークに組み込むことで、モンテカルロを用いたニューラルネットワークのアンサンブルを作成しました。
提案手法は, 平均絶対誤差9.3%を達成し, 既存のEVエネルギー消費モデルよりも精度が高い。
論文 参考訳（メタデータ） (2023-07-02T04:30:20Z) - Efficiency at maximum power of a Carnot quantum information engine [68.8204255655161]
本稿では,量子情報エンジンの有限時間Carnotサイクルを導入し,低損失状態下での出力を最適化する。
弱エネルギー測定を受ける量子ビット情報エンジンの最適性能について検討する。
論文 参考訳（メタデータ） (2023-01-31T11:18:12Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳（メタデータ） (2022-06-28T17:08:31Z) - 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) - 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) - Collective effects on the performance and stability of quantum heat
engines [62.997667081978825]
小型熱機関の動作における量子力学的拡張の最近の予測は、新たな関心を集めている。
1つの重要な問題は、集団効果が大規模に拡張するのに役立つかどうかである。
エンジンを構成するスピンの数とともに, パワー, 効率, 一貫性のスケールについて検討する。
論文 参考訳（メタデータ） (2021-06-25T18:00:07Z) - Real-Time Monitoring and Driver Feedback to Promote Fuel Efficient
Driving [0.7087237546722617]
本稿では, リアルタイム自動監視とドライバフィードバックにより, 燃費効率の高い運転行動を促進する新しい枠組みを提案する。
歴史的データを用いたランダムフォレスト型分類モデルを用いて, 燃料非効率運転行動の同定を行う。
不効率な運転動作が検出されると、ファジィ論理推論システムを使用して、燃料効率の運転動作を維持するために運転者がすべきことを判断する。
論文 参考訳（メタデータ） (2020-07-03T09:23:53Z)
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。