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
- AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳(メタデータ) (2024-02-21T12:23:09Z) - 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) - VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。
本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。
我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
論文 参考訳(メタデータ) (2022-12-21T08:45:32Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T07:49:48Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - 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) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳(メタデータ) (2022-03-17T12:52:23Z) - 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。