論文の概要: Modeling of New Energy Vehicles' Impact on Urban Ecology Focusing on Behavior
- arxiv url: http://arxiv.org/abs/2406.06602v1
- Date: Thu, 6 Jun 2024 14:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 21:04:26.971152
- Title: Modeling of New Energy Vehicles' Impact on Urban Ecology Focusing on Behavior
- Title（参考訳）: 行動に着目した新エネルギー自動車の都市生態への影響のモデル化
- Authors: Run-Xuan Tang,
- Abstract要約: 新たなエネルギー車両の需要の急増は、エネルギーの保存、排出の削減、生態環境の強化によって引き起こされる。
新しいエネルギー車両の行動分析と鉱業利用パターンを特定できる。
新しいエネルギー車両と環境との相互作用をシミュレートするための環境計算モデリング手法が提案されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The surging demand for new energy vehicles is driven by the imperative to conserve energy, reduce emissions, and enhance the ecological ambiance. By conducting behavioral analysis and mining usage patterns of new energy vehicles, particular patterns can be identified. For instance, overloading the battery, operating with low battery power, and driving at excessive speeds can all detrimentally affect the battery's performance. To assess the impact of such driving behavior on the urban ecology, an environmental computational modeling method has been proposed to simulate the interaction between new energy vehicles and the environment. To extend the time series data of the vehicle's entire life cycle and the ecological environment within the model sequence data, the LSTM model with Bayesian optimizer is utilized for simulation. The analysis revealed the detrimental effects of poor driving behavior on the environment.
- Abstract（参考訳）: 新たなエネルギー車両の需要の急増は、エネルギーを節約し、排出を減らし、生態系の環境を良くするための衝動によって引き起こされる。
新しいエネルギー車両の行動分析および鉱業利用パターンを実行することにより、特定のパターンを特定することができる。
例えば、バッテリを過負荷にし、低バッテリ電力で運転し、過度の速度で運転すると、バッテリの性能に悪影響を及ぼす可能性がある。
このような運転行動が都市生態に与える影響を評価するため,新エネルギー車と環境との相互作用をシミュレートする環境計算モデリング手法が提案されている。
車両のライフサイクル全体とモデルシーケンスデータ内の生態環境の時系列データを拡張するために、ベイジアンオプティマイザを用いたLSTMモデルをシミュレーションに利用する。
分析の結果,運転行動不良が環境に及ぼす影響が示唆された。
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) - 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) - Data-driven Energy Consumption Modelling for Electric Micromobility using an Open Dataset [6.000804135802873]
本稿では,E-ScootersとE-Bikesに関連するエネルギーモデリング研究のためのオープンデータセットを提案する。
本稿では,一組の機械学習アルゴリズムを用いて,データセットに基づくエネルギー消費モデリングの包括的解析を行う。
本研究は,データ駆動モデルに対して,エネルギー消費量を推定する数学的モデルと比較して,顕著な優位性を示した。
論文 参考訳（メタデータ） (2024-03-26T12:08:05Z) - 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) - 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) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - A Deep Learning Approach for Macroscopic Energy Consumption Prediction
with Microscopic Quality for Electric Vehicles [0.0]
本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。
エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。
このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
論文 参考訳（メタデータ） (2021-11-25T01:20:32Z) - 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) - Fed-BEV: A Federated Learning Framework for Modelling Energy Consumption
of Battery Electric Vehicles [5.817576247456001]
バッテリ電気自動車(BEV)は、バッテリパックに蓄えられた化学エネルギーのみを推進に使用する。
BEV(Fed-BEV)のエネルギー消費をモデル化するための新しい枠組みを提案する。
具体的には、Fed-BEVフレームワークに関わるBEVのグループが互いに学び、エネルギー消費モデルを共同で強化することができる。
論文 参考訳（メタデータ） (2021-08-05T01:56:09Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
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。