論文の概要: Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty Vehicles

• arxiv url: http://arxiv.org/abs/2311.16003v1
• Date: Mon, 27 Nov 2023 16:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 14:18:18.685952
• Title: Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty Vehicles
• Title（参考訳）: 電気自動車の補助エネルギー消費量予測
• Authors: Yuantao Fan, Zhenkan Wang, Sepideh Pashami, Slawomir Nowaczyk, Henrik Ydreskog
• Abstract要約: 電気自動車の運転を最適化するためには、エネルギー消費予測が不可欠である。 本稿では、データのサブセット上で複数の回帰モデルをトレーニングすることで、潜在的な解決策を実証する。 合成データセットと実世界のデータセットの両方の実験では、複雑な問題をより単純なデータセットに分割することで、より良い回帰性能と解釈可能性が得られることが示されている。
• 参考スコア（独自算出の注目度）: 6.375656754994484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate energy consumption prediction is crucial for optimizing the operation of electric commercial heavy-duty vehicles, e.g., route planning for charging. Moreover, understanding why certain predictions are cast is paramount for such a predictive model to gain user trust and be deployed in practice. Since commercial vehicles operate differently as transportation tasks, ambient, and drivers vary, a heterogeneous population is expected when building an AI system for forecasting energy consumption. The dependencies between the input features and the target values are expected to also differ across sub-populations. One well-known example of such a statistical phenomenon is the Simpson paradox. In this paper, we illustrate that such a setting poses a challenge for existing XAI methods that produce global feature statistics, e.g. LIME or SHAP, causing them to yield misleading results. We demonstrate a potential solution by training multiple regression models on subsets of data. It not only leads to superior regression performance but also more relevant and consistent LIME explanations. Given that the employed groupings correspond to relevant sub-populations, the associations between the input features and the target values are consistent within each cluster but different across clusters. Experiments on both synthetic and real-world datasets show that such splitting of a complex problem into simpler ones yields better regression performance and interpretability.
• Abstract（参考訳）: 正確なエネルギー消費予測は、充電のためのルートプランニングなど、電動商用重役車の運転を最適化するために重要である。 さらに、そのような予測モデルがユーザ信頼を得て実際にデプロイされる上で、なぜ特定の予測が投じられるのかを理解する。 商用車両は輸送作業、環境、運転者によって異なるため、エネルギー消費を予測するAIシステムを構築する際には異種人口が予想される。 入力特徴とターゲット値の依存関係もサブポピュレーションによって異なることが期待されている。 そのような統計現象のよく知られた例はシンプソンパラドックスである。 本稿では,LIME や SHAP などのグローバルな特徴統計を生成する既存の XAI 手法に対して,そのような設定が課題となり,誤った結果をもたらすことを示す。 データのサブセット上で複数の回帰モデルをトレーニングすることで,潜在的なソリューションを実証する。 優れたレグレッションパフォーマンスをもたらすだけでなく、より関連性があり一貫性のあるLIME説明につながる。 採用したグループ化が関連するサブ人口に対応することを考えると、入力特徴と対象値の関連性はクラスタ毎に一貫性があるが、クラスタ間で異なる。 合成データと実世界のデータセットの両方の実験は、複雑な問題をより単純なデータに分解することで、回帰性能と解釈性が向上することを示している。

関連論文リスト

• Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
  本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。 各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。 微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
  論文  参考訳（メタデータ） (2024-11-01T03:35:04Z)
• Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
  Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。 モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
  論文  参考訳（メタデータ） (2024-10-16T03:33:40Z)
• GenFollower: Enhancing Car-Following Prediction with Large Language Models [11.847589952558566]
  我々は、これらの課題に対処するために、大規模言語モデル(LLM)を活用する新しいゼロショットプロンプトアプローチであるGenFollowerを提案する。 我々は,車追従動作を言語モデリング問題として再編成し,不均一な入力をLLMのための構造化プロンプトに統合する。 オープンデータセットの実験は、GenFollowerの優れたパフォーマンスと解釈可能な洞察を提供する能力を示している。
  論文  参考訳（メタデータ） (2024-07-08T04:54:42Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Scaling Laws Do Not Scale [54.72120385955072]
  最近の研究によると、データセットのサイズが大きくなると、そのデータセットでトレーニングされたモデルのパフォーマンスが向上する。 このスケーリング法則の関係は、モデルのアウトプットの質を異なる集団がどのように認識するかと一致しないパフォーマンスを測定するために使われる指標に依存する、と我々は主張する。 異なるコミュニティは、互いに緊張関係にある価値を持ち、モデル評価に使用されるメトリクスについて、困難で、潜在的に不可能な選択をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-07-05T15:32:21Z)
• 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)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation [1.6058099298620423]
  本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。 第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。 第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
  論文  参考訳（メタデータ） (2020-11-04T13:36:11Z)
• A Locally Adaptive Interpretable Regression [7.4267694612331905]
  線形回帰は最も解釈可能な予測モデルの一つである。 本稿では,局所適応型解釈型回帰(LoAIR)を導入する。 我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
  論文  参考訳（メタデータ） (2020-05-07T09:26:14Z)

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。