論文の概要: The Impact of Battery Cell Configuration on Electric Vehicle Performance: An XGBoost-Based Classification with SHAP Interpretability

• arxiv url: http://arxiv.org/abs/2603.01275v1
• Date: Sun, 01 Mar 2026 21:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.602316
• Title: The Impact of Battery Cell Configuration on Electric Vehicle Performance: An XGBoost-Based Classification with SHAP Interpretability
• Title（参考訳）: 電池構成が電気自動車の性能に及ぼす影響: SHAPによるXGBoostに基づく分類
• Authors: Santanam Wishal, Louis Filiepe Tio Jansel, Matthew Abednego Inkiriwang, Jason Sebastian,
• Abstract要約: 現在の文献では、バッテリー構成と電気自動車の性能の複雑な非線形関係をしばしば見落としている。 本研究では,EV加速性能を高(=4.0秒),中(4.0～7.0秒),低(>7.0秒)に分類する機械学習フレームワークを提案する。 分析の結果,電池の容量の増加は最初は送電量を増加させるが,その質量と複雑さは結果として性能を低下させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the electric vehicle (EV) market continues to prioritize dynamic performance and rapid charging, battery configuration has rapidly evolved. Despite this, current literature has often overlooked the complex, non-linear relationship between battery configuration and electric vehicle performance. To address this gap, this study proposes a machine learning framework which categorizes the EV acceleration performance into High (<= 4.0 seconds), Mid (4.0 - 7.0 seconds), and Low (> 7.0 seconds). Utilizing a preprocessed dataset consisting of 276 EV samples, an Extreme Gradient Boosting (XGBoost) classifier was utilized, achieving 87.5% predictive accuracy, a 0.968 ROC-AUC, and a 0.812 MCC. In order to ensure engineering transparency SHapley Additive exPlanations (SHAP) were employed. Results of analysis shows that an increase in battery cell count initially boosts power delivery, but its mass and complexity diminished performance gains eventually. As such, these findings indicate that battery configuration in EVs must balance system complexity and architectural configuration in order to receive and retain optimal vehicle performance.
• Abstract（参考訳）: 電気自動車(EV)市場は、動的性能と高速充電を優先し続けており、バッテリー構成は急速に進化している。 それにもかかわらず、現在の文献はしばしばバッテリー構成と電気自動車の性能の間の複雑な非線形関係を見落としている。 そこで本研究では,EV加速性能をHigh(=4.0秒),Mid(4.0～7.0秒),Low(→7.0秒)に分類する機械学習フレームワークを提案する。 276のEVサンプルからなる事前処理されたデータセット、エクストリームグラディエントブースティング(XGBoost)分類器を使用して、87.5%の予測精度、0.968のROC-AUC、0.812のMCCを実現した。 工学的透明性を確保するため、SHAP(SHapley Additive ExPlanations)が採用された。 分析の結果,電池容量の増加は最初は送電量を増加させるが,その質量と複雑さは結果として性能を低下させることがわかった。 これらのことから,EVのバッテリ構成は,最適な車両性能を享受・維持するために,システムの複雑さと構造的構成のバランスをとる必要があることが示唆された。

関連論文リスト

• Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series [36.94429692322632]
  本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
  論文  参考訳（メタデータ） (2025-10-30T05:39:44Z)
• Vehicle-to-Infrastructure Collaborative Spatial Perception via Multimodal Large Language Models [41.00138090010061]
  大型言語モデル (MLLM) の限界を克服するために, 軽量でプラグアンドプレイの鳥眼ビュー (BEV) インジェクションコネクタを提案する。 レイトレーシングはRGB、LiDAR、GPS、無線信号データを様々なセンシングシナリオで生成するために開発された。 シミュレーションの結果,提案したBEVインジェクションフレームワークは全タスクのパフォーマンスを継続的に改善していることがわかった。
  論文  参考訳（メタデータ） (2025-09-04T02:57:47Z)
• Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
  電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。 近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。 1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
  論文  参考訳（メタデータ） (2025-06-09T12:57:37Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• State-of-Health Prediction for EV Lithium-Ion Batteries via DLinear and Robust Explainable Feature Selection [14.672460390509334]
  電気自動車(EV)に適した、説明可能な、データ駆動型健康状態予測(SOH)フレームワークを提案する。 我々は、電圧、電流、温度、時間プロファイルから20種類の有意な特徴を抽出し、ピアソン相関法とシェープリー加法説明法(SHAP)を用いて鍵となる特徴を選択する。 SHAPによる選択は複数の細胞に一貫した機能的重要性をもたらし、細胞間変動(CtCV)を効果的に捉える
  論文  参考訳（メタデータ） (2025-01-20T15:28:20Z)
• Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making [0.0]
  バッテリーRULを予測・分類するための機械学習モデルを開発した。 提案したTLEモデルはRMSE, MAE, R二乗誤差のベースラインモデルより一貫して優れている。 XGBoostは、クロスバリデーション技術によって検証された99%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-09-26T15:08:38Z)
• Federated Reinforcement Learning for Electric Vehicles Charging Control on Distribution Networks [42.04263644600909]
  マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。 既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。 本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:34:46Z)
• A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling [10.290868910435153]
  電気自動車(EV)は、経年劣化と性能劣化の影響を受ける。 本研究は,実行時のバッテリダイナミックスを正確に反映するように設計されたバッテリディジタルツイン構造を提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:47:41Z)
• PowerGear: Early-Stage Power Estimation in FPGA HLS via Heterogeneous Edge-Centric GNNs [33.61567040408962]
  FPGA HLSのためのグラフ学習支援電力推定手法であるPowerGearを提案する。 PowerGearには,グラフ構築フローとカスタマイズグラフニューラルネットワーク(GNN)モデルという,2つの主要コンポーネントがある。 搭載された測定値と比較すると、PowerGearは、それぞれ3.60%と8.81%の誤差を持つ新しいHLS設計の総出力と動的パワーを推定する。
  論文  参考訳（メタデータ） (2022-01-25T06:18:50Z)
• 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)
• State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
  リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。 本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
  論文  参考訳（メタデータ） (2020-09-20T23:47:11Z)
• 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。