論文の概要: Inter-Stop Energy Prediction and Causal Driver Quantification for Dual-Source Trolleybuses via a Time-Aware Tabular Deep Learning Architecture

• arxiv url: http://arxiv.org/abs/2607.11349v1
• Date: Mon, 13 Jul 2026 10:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.425924
• Title: Inter-Stop Energy Prediction and Causal Driver Quantification for Dual-Source Trolleybuses via a Time-Aware Tabular Deep Learning Architecture
• Title（参考訳）: 時間認識タブラル深層学習アーキテクチャによるデュアルソーストロリーバスのストップ間エネルギー予測と因果ドライバ量子化
• Abstract要約: 本稿では,ストップ間エネルギー管理のためのタイムアウェアなディープラーニングフレームワークを提案する。 気象記録に富んだチューリッヒのトロリーバスデータセットの実験では、MAPEは6.52%、Rは0.982である。
• 参考スコア（独自算出の注目度）: 5.368566033842018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dual-source trolleybuses alternate between overhead catenary supply and on-board battery operation, creating energy-use patterns driven by route attributes, high-frequency trajectories, and hourly weather. Existing models struggle to represent these heterogeneous inputs and rarely explain the causal drivers of consumption. This paper proposes a time-aware tabular deep learning framework for inter-stop energy management. Periodic time encoding is integrated into a parameter-efficient batch-ensemble backbone to jointly learn static and sequential features, while Bayesian optimization with tree-structured density estimation tunes hyperparameters. To move beyond prediction, a three-layer causal explanation pipeline combines feature attribution for marginal effects, a linear non-Gaussian acyclic model for causal direction discovery, and a meta-learner for net average treatment effects. Experiments on the Zurich trolleybus dataset enriched with meteorological records achieve a MAPE of 6.52% and R of 0.982, outperforming ten statistical, tree-ensemble, and deep learning baselines. Ablation results show that periodic time encoding contributes most to the accuracy gain. Causal analysis identifies regenerative braking ratio and average speed as the strongest energy-saving factors, while coasting distance is the main driver of excess consumption. The findings offer actionable thresholds for vehicle technology, driving behavior, capacity allocation, and catenary network planning.
• Abstract（参考訳）: デュアルソースのトロリーバスは、オーバーヘッド・キャナリー・サプライとオンボード・バッテリ・オペレーションを交互に行い、経路特性、高周波軌道、時空の天候によって駆動されるエネルギー利用パターンを生成する。 既存のモデルは、これらの異種入力を表現するのに苦労しており、消費の因果的要因を説明することは滅多にない。 本稿では,ストップ間エネルギー管理のためのタイムアウェアな表層深層学習フレームワークを提案する。 周期時間符号化はパラメータ効率の良いバッチアンブルバックボーンに統合され、静的およびシーケンシャルな特徴を共同で学習する。 予測を超えて、三層因果説明パイプラインは、限界効果に対する特徴属性、因果方向発見のための線形非ガウス非環状モデル、およびネット平均処理効果のためのメタラーナーを組み合わせる。 気象記録に富んだチューリッヒのトロリーバスデータセットの実験では、MAPEは6.52%、Rは0.982であり、10の統計、樹木のアンサンブル、ディープラーニングのベースラインを上回っている。 アブレーションの結果は、周期的な時間符号化が精度向上に最も寄与していることを示している。 因果解析では再生ブレーキ比と平均速度を省エネルギー要因として同定し, 海岸距離は過消費の主な要因である。 この発見は、車両技術、運転行動、キャパシティアロケーション、キャセナリーネットワークプランニングの実用的なしきい値を提供する。

関連論文リスト

• Cascade-KDE: Robust Time-Series Restoration under Out-of-Distribution Impulse Corruptions [3.4633810891614267]
  産業センサ、医療、エネルギーシステムにおける実世界の時系列データは、しばしばガウスノイズの混合によって破壊される。 破損した時系列のトレーニングフリー復元フレームワークCascade-KDEを提案する。
  論文  参考訳（メタデータ） (2026-05-22T00:59:56Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Artificial Intelligence Based Predictive Maintenance for Electric Buses [0.0]
  本研究では,電気バスのCANバスパラメータ間の関係をグラフベースの特徴選択法を用いて解析する。 2年以上にわたって収集された生データは、データ品質と一貫性を確保するために、広範囲な事前処理が行われた。 開発したシステムは,車両の警報を効果的に予測し,特徴の解釈可能性を高め,産業4.0の原則に沿った積極的な保守戦略を支援する。
  論文  参考訳（メタデータ） (2025-10-27T21:39:25Z)
• Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
  STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。 このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:26:56Z)
• ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction [47.17205142864036]
  ICST-DENTはSpatio-Temporal Causality Learning (STCL)、Causal Graph Generation (CGG)、Speed Fluctuation Pattern Recognition (SFPR)の3つの部分から構成されている。 ICST-DENTは、より高い予測精度、因果関係を説明する能力、異なるシナリオへの適応性によって証明されているように、既存のすべてのベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2024-04-22T03:35:19Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• STformer: A Noise-Aware Efficient Spatio-Temporal Transformer Architecture for Traffic Forecasting [7.230415327436048]
  本稿では,STformer という,交通予測の精度向上を目的とした新しいノイズ認識型リアルタイムアーキテクチャを提案する。 STformer はノイズ認識時空間自己アテンション (NATSA) とグラフベーススパース空間自己アテンション (GBS3A) の2つのコンポーネントから構成される。 4つの実世界のトラフィックデータセットの実験により、STformerは計算コストを下げて最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2021-12-06T02:17:39Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)

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。