論文の概要: Fuel Consumption Prediction: A Comparative Analysis of Machine Learning Paradigms
- arxiv url: http://arxiv.org/abs/2603.21034v1
- Date: Sun, 22 Mar 2026 03:08:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.200127
- Title: Fuel Consumption Prediction: A Comparative Analysis of Machine Learning Paradigms
- Title（参考訳）: 燃料消費予測:機械学習パラダイムの比較分析
- Abstract要約: 本研究は, 自動車の燃費を決定する要因について, セミナルモータトレンドデータセットを用いて検討した。
厳密な定量的分析を通じて効率の物理的要因を規定する。
研究によると、本質的な車両の効率は、物理的設計パラメータ、重量、変位によって決定される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automotive industry is under growing pressure to reduce its environmental impact, requiring accurate predictive modeling to support sustainable engineering design. This study examines the factors that determine vehicle fuel consumption from the seminal Motor Trend dataset, identifying the governing physical factors of efficiency through rigorous quantitative analysis. Methodologically, the research uses data sanitization, statistical outlier elimination, and in-depth Exploratory Data Analysis (EDA) to curb the occurrence of multicollinearity between powertrain features. A comparative analysis of machine learning paradigms including Multiple Linear Regression, Support Vector Machines (SVM), and Logistic Regression was carried out to assess predictive efficacy. Findings indicate that SVM Regression is most accurate on continuous prediction (R-squared = 0.889, RMSE = 0.326), and is effective in capturing the non-linear relationships between vehicle mass and engine displacement. In parallel, Logistic Regression proved superior for classification (Accuracy = 90.8%) and showed exceptional recall (0.957) when identifying low-efficiency vehicles. These results challenge the current trend toward black-box deep learning architectures for static physical datasets, providing validation of robust performance by interpretable and well-tuned classical models. The research finds that intrinsic vehicle efficiency is fundamentally determined by physical design parameters, weight and displacement, offering a data-driven framework for how manufacturers should focus on lightweighting and engine downsizing to achieve stringent global sustainability goals.
- Abstract（参考訳）: 自動車業界は環境への影響を減らし、持続可能なエンジニアリング設計を支援するために正確な予測モデルを必要としている。
本研究では,厳密な定量的分析により,自動車の燃費を決定する要因について検討した。
手法としては,データサニタイズ,統計的外れ値除去,深部探査データ分析(EDA)を用いて,パワートレイン特性間の多重線形性の発生を抑制する。
複数の線形回帰、サポートベクトルマシン(SVM)、ロジスティック回帰を含む機械学習パラダイムの比較分析を行い、予測の有効性を評価した。
SVM回帰は連続予測(R-squared = 0.889, RMSE = 0.326)において最も正確であり、車両質量とエンジン変位の間の非線形関係を捉えるのに有効である。
並行して、ロジスティック回帰は分類(精度=90.8%)に優れており、低効率車両を特定する際には例外的なリコール(0.957)を示した。
これらの結果は、静的な物理データセットのためのブラックボックス深層学習アーキテクチャに対する現在のトレンドに挑戦し、解釈可能でよく調整された古典モデルによる堅牢な性能の検証を提供する。
この研究は、本質的な車両効率は、物理的設計パラメータ、重量、変位によって根本的に決定され、製造業者が厳しい世界的な持続可能性目標を達成するために、軽量化とエンジンの縮小に集中するためのデータ駆動フレームワークを提供する。
関連論文リスト
- Probabilistic Physics-Aware Machine Learning Predictions of Electric Truck Energy Consumption with Field Data [9.250157449870558]
車両運転時のエネルギー損失の異なる要因を考慮し,データ駆動方式の構築に第1原理物理を取り入れた。
その結果、この物理認識モデルに基づくベイズ線形回帰は、期待されるエネルギー消費の信頼性を向上させることができることを示した。
ニューラルネットワークや勾配向上された回帰木といった、より複雑な機械学習モデルは、同じ物理モデルに基づいて、同じ機械学習モデルの標準バージョンを著しく上回る。
論文 参考訳（メタデータ） (2026-07-21T12:43:01Z) - Automotive Crash Dynamics Modeling Accelerated with Machine Learning [0.739600786135545]
我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。
クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。
モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
論文 参考訳（メタデータ） (2025-10-17T00:03:33Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。
主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。
主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
論文 参考訳（メタデータ） (2025-08-15T14:31:26Z) - AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。
標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。
本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
論文 参考訳（メタデータ） (2025-02-26T14:34:53Z) - Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。
データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文 参考訳（メタデータ） (2024-11-30T10:56:30Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - 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) - 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。