論文の概要: Probabilistic Physics-Aware Machine Learning Predictions of Electric Truck Energy Consumption with Field Data

• arxiv url: http://arxiv.org/abs/2607.19054v2
• Date: Thu, 23 Jul 2026 07:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 14:12:06.741508
• Title: Probabilistic Physics-Aware Machine Learning Predictions of Electric Truck Energy Consumption with Field Data
• Title（参考訳）: 確率論的物理-フィールドデータを用いた電気トラックエネルギー消費の機械学習予測
• Authors: Hannes Nilsson, Rafael Basso, Balázs Kulcsár, Morteza Haghir Chehreghani,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.250157449870558
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we incorporate first principle physics into the construction of data-driven methods by considering a model that accounts for the different sources of energy losses during vehicle operations. Our results show that Bayesian linear regression based on this physics-aware model can improve the reliability of the expected energy consumption, as compared with standard linear regression. Further, it is shown that more complex machine learning models such as neural networks and gradient boosted regression trees, based on the same physical model, can further improve the accuracy in energy forecasting and significantly outperform standard versions of the same machine learning models. In addition to point predictions of the energy consumption, we develop a framework for estimating the corresponding uncertainty in the form of predicted standard deviation. Our results show that all of the models learn to estimate the uncertainty reasonably well.
• Abstract（参考訳）: 本研究では,車両運転時のエネルギー損失の異なる要因を考慮に入れたモデルにより,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, 標準線形回帰と比較して, 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がわかった。 さらに、同じ物理モデルに基づくニューラルネットワークや勾配向上回帰木といったより複雑な機械学習モデルにより、エネルギー予測の精度が向上し、同じ機械学習モデルの標準バージョンよりも大幅に向上することが示されている。 エネルギー消費の点予測に加えて、予測標準偏差の形で対応する不確かさを推定する枠組みを開発する。 以上の結果から,全てのモデルにおいて不確実性を合理的に推定できることが示唆された。

関連論文リスト

• Fuel Consumption Prediction: A Comparative Analysis of Machine Learning Paradigms [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-22T03:08:22Z)
• Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study [0.0]
  本研究では,海洋実験からの物理知識とデータ駆動残差学習を統合したハイブリッド・モデリング・フレームワークを提案する。 提案するフレームワークは,気象ルーティング,トリム最適化,エネルギー効率計画などに適用可能な,実用的で効率的な船舶性能監視ツールを提供する。
  論文  参考訳（メタデータ） (2026-02-20T18:12:14Z)
• Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling [5.437298646956505]
  建築エネルギーモデリングは、建築エネルギーシステムの性能を最適化するための重要なツールである。 近年,両パラダイムの強みを組み合わせたハイブリッドアプローチが注目されている。
  論文  参考訳（メタデータ） (2025-07-23T14:07:33Z)
• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• Can Kans (re)discover predictive models for Direct-Drive Laser Fusion? [11.261403205522694]
  レーザー融合の領域は、機械学習手法のためのユニークで挑戦的な予測モデリングアプリケーションランドスケープを示す。 データ駆動型アプローチは、物理学の期待に沿う望ましい一般化能力とモデル解釈を達成するために、過去に成功してきた。 本研究では,新しいタイプのデータ駆動予測モデルの開発において,PILの代替としてKAN(Kolmogorov-Arnold Networks)を用いた。
  論文  参考訳（メタデータ） (2024-09-13T13:48:06Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。