論文の概要: Deep Learning-Based Analysis of Power Consumption in Gasoline, Electric, and Hybrid Vehicles

• arxiv url: http://arxiv.org/abs/2508.08034v1
• Date: Mon, 11 Aug 2025 14:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.147923
• Title: Deep Learning-Based Analysis of Power Consumption in Gasoline, Electric, and Hybrid Vehicles
• Title（参考訳）: ガソリン・電気・ハイブリッド車における電力消費のディープラーニングによる分析
• Authors: Roksana Yahyaabadi, Ghazal Farhani, Taufiq Rahman, Soodeh Nikan, Abdullah Jirjees, Fadi Araji,
• Abstract要約: ICEモデルでは,平均絶対誤差と平均2乗誤差を10～3ドル,累積誤差を3%以下で達成した。 トランスフォーマーと長期短期記憶モデルは、それぞれ4.1%未満と2.1%未満の累積誤差を持つEVとHEVで最高の性能を示した。
• 参考スコア（独自算出の注目度）: 0.29320870573989144
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate power consumption prediction is crucial for improving efficiency and reducing environmental impact, yet traditional methods relying on specialized instruments or rigid physical models are impractical for large-scale, real-world deployment. This study introduces a scalable data-driven method using powertrain dynamic feature sets and both traditional machine learning and deep neural networks to estimate instantaneous and cumulative power consumption in internal combustion engine (ICE), electric vehicle (EV), and hybrid electric vehicle (HEV) platforms. ICE models achieved high instantaneous accuracy with mean absolute error and root mean squared error on the order of $10^{-3}$, and cumulative errors under 3%. Transformer and long short-term memory models performed best for EVs and HEVs, with cumulative errors below 4.1% and 2.1%, respectively. Results confirm the approach's effectiveness across vehicles and models. Uncertainty analysis revealed greater variability in EV and HEV datasets than ICE, due to complex power management, emphasizing the need for robust models for advanced powertrains.
• Abstract（参考訳）: 正確な消費電力予測は効率の向上と環境影響の低減に不可欠であるが、専門的な機器や厳密な物理モデルに依存する従来の手法は、大規模で現実的な展開には実用的ではない。 本研究では,内燃機関(ICE),電気自動車(EV),ハイブリッド電気自動車(HEV)プラットフォームにおいて,パワートレイン動的特徴セットと従来の機械学習とディープニューラルネットワークの両方を用いて,瞬時および累積消費電力を推定するスケーラブルなデータ駆動手法を提案する。 ICEモデルでは,平均絶対誤差と根平均2乗誤差を10～3の順に達成し,累積誤差を3%以下とした。 トランスフォーマーと長期短期記憶モデルは、それぞれ4.1%未満と2.1%未満の累積誤差を持つEVとHEVで最高の性能を示した。 結果は、車両およびモデル間でのアプローチの有効性を確認した。 不確実性解析により、複雑な電力管理のため、EVとHEVデータセットの変動がICEよりも大きくなり、高度なパワートレインのための堅牢なモデルの必要性が強調された。

関連論文リスト

• Distributed Multi-Head Learning Systems for Power Consumption Prediction [59.293903039988884]
  スマートファクトリにおける消費電力予測のための分散マルチヘッド学習(DMH)システムを提案する。 DMHシステムは分散および分割学習として設計され、クライアント間通信コストが削減される。 DMH-Eシステムは最先端システムのエラーを14.5%から24.0%削減する。
  論文  参考訳（メタデータ） (2025-01-21T13:46:23Z)
• EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics [0.3749861135832072]
  動的パラメータ(例えば、空力抵抗、ローリング抵抗)のオンボード予測は、EVの正確な経路計画を可能にする。 本稿では,物理情報を用いたニューラルネットワーク手法EV-PINNについて述べる。
  論文  参考訳（メタデータ） (2024-11-22T02:56:47Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• 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)
• 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)
• 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)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time [9.475039534437332]
  畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。 既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
  論文  参考訳（メタデータ） (2020-08-31T12:45:15Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

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。