論文の概要: NeuralMOVES: A lightweight and microscopic vehicle emission estimation model based on reverse engineering and surrogate learning

• arxiv url: http://arxiv.org/abs/2502.04417v1
• Date: Thu, 06 Feb 2025 14:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:00.752824
• Title: NeuralMOVES: A lightweight and microscopic vehicle emission estimation model based on reverse engineering and surrogate learning
• Title（参考訳）: NeuralMOVES:リバースエンジニアリングと代理学習に基づく軽量・顕微鏡車両排出推定モデル
• Authors: Edgar Ramirez-Sanchez, Catherine Tang, Yaosheng Xu, Nrithya Renganathan, Vindula Jayawardana, Zhengbing He, Cathy Wu,
• Abstract要約: 輸送部門は温室効果ガスの排出に大きく貢献している。 業界標準の自動車排出シミュレータ(MOVES)は、利用の複雑さ、高い計算要求、そして顕微鏡リアルタイムアプリケーションに適さない問題に直面している。 我々は,車載CO2排出のための高性能軽量サロゲートモデルであるNeuralMOVESを提案する。
• 参考スコア（独自算出の注目度）: 7.275104005793397
• License:
• Abstract: The transportation sector significantly contributes to greenhouse gas emissions, necessitating accurate emission models to guide mitigation strategies. Despite its field validation and certification, the industry-standard Motor Vehicle Emission Simulator (MOVES) faces challenges related to complexity in usage, high computational demands, and its unsuitability for microscopic real-time applications. To address these limitations, we present NeuralMOVES, a comprehensive suite of high-performance, lightweight surrogate models for vehicle CO2 emissions. Developed based on reverse engineering and Neural Networks, NeuralMOVES achieves a remarkable 6.013% Mean Average Percentage Error relative to MOVES across extensive tests spanning over two million scenarios with diverse trajectories and the factors regarding environments and vehicles. NeuralMOVES is only 2.4 MB, largely condensing the original MOVES and the reverse engineered MOVES into a compact representation, while maintaining high accuracy. Therefore, NeuralMOVES significantly enhances accessibility while maintaining the accuracy of MOVES, simplifying CO2 evaluation for transportation analyses and enabling real-time, microscopic applications across diverse scenarios without reliance on complex software or extensive computational resources. Moreover, this paper provides, for the first time, a framework for reverse engineering industrial-grade software tailored specifically to transportation scenarios, going beyond MOVES. The surrogate models are available at https://github.com/edgar-rs/neuralMOVES.
• Abstract（参考訳）: 輸送部門は温室効果ガスの排出に大きく貢献し、緩和戦略を導くために正確な排出モデルを必要とする。 フィールド検証と認証にもかかわらず、業界標準の自動車排出シミュレータ(MOVES)は、利用の複雑さ、高い計算要求、そして顕微鏡リアルタイムアプリケーションに適さない問題に直面している。 これらの制約に対処するため,車載CO2排出のための高性能軽量サロゲートモデルの包括的スイートであるNeuralMOVESを提案する。 リバースエンジニアリングとニューラルネットワークに基づいて開発されたNeuralMOVESは、200万のシナリオにまたがる広範囲なテストと、さまざまな軌道と環境と車両に関する要因にまたがる、MOVESに対する平均平均誤差平均6.013%を達成している。 NeuralMOVES は 2.4 MB しかなく、元の MOVES とリバースエンジニアリングの MOVES を高い精度を維持しながらコンパクトな表現に集約している。 そのため、NeuralMOVESは、MOVESの精度を維持しながらアクセシビリティを著しく向上させ、輸送分析のためのCO2評価を簡素化し、複雑なソフトウェアや広範な計算資源に依存することなく、様々なシナリオにまたがるリアルタイム、微視的アプリケーションを可能にする。 さらに,本論文は,MOVESを超える交通シナリオに特化して,産業用グレードソフトウェアをリバースエンジニアリングするためのフレームワークを初めて提供する。 代理モデルはhttps://github.com/edgar-rs/neuralMOVES.comで入手できる。

関連論文リスト

• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• STONet: A novel neural operator for modeling solute transport in micro-cracked reservoirs [0.49998148477760973]
  マイクロクラック型貯水池における汚染物質輸送を効率的にモデル化するニューラルオペレーターであるソルトトランスポート・オペレーター・ネットワーク(STONet)を開発した。 このモデルは異なるネットワークを組み合わせて、異種特性を効果的にエンコードする。 数値実験により, 有限要素法に匹敵する精度が得られた。
  論文  参考訳（メタデータ） (2024-12-07T07:53:47Z)
• Quantization-Aware Imitation-Learning for Resource-Efficient Robotic Control [11.365124223329582]
  我々は,低ビット精度誤差に対するロバスト性を高めるために,パラメータを微調整するILベースのポリシーモデルのための新しい量子化フレームワークを提案する。 実エッジGPU上での4ビット重み量子化のためのロボット操作による評価は,我々のフレームワークが最大2.5倍の高速化と2.5倍の省エネを実現していることを示す。 これらの結果は、リソース制約のあるデバイスにILベースのポリシーモデルをデプロイする現実的な可能性を強調している。
  論文  参考訳（メタデータ） (2024-12-02T01:33:49Z)
• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• Green AI: Exploring Carbon Footprints, Mitigation Strategies, and Trade Offs in Large Language Model Training [9.182429523979598]
  特に炭素フットプリントが高い大言語モデルのCO2排出量について検討した。 我々は, 二酸化炭素排出削減対策を提案することによって, 責任と持続性を有するLLMの育成を議論する。
  論文  参考訳（メタデータ） (2024-04-01T15:01:45Z)
• 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)
• SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
  空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。 SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。 標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-11-22T08:01:33Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• 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。