論文の概要: Conditional Diffusion Models for Energy-Efficient Driving
- arxiv url: http://arxiv.org/abs/2608.28142v1
- Date: Fri, 28 Aug 2026 10:04:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.267598
- Title: Conditional Diffusion Models for Energy-Efficient Driving
- Title（参考訳）: エネルギー効率向上のための条件拡散モデル
- Abstract要約: 本稿では,経路特性を条件としたEVバッテリ電流プロファイルを生成する条件拡散フレームワークを提案する。
9台の車両から1万2千回の移動を含むオープンアクセス商用EVテレメトリデータセット上で,本フレームワークの評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrification of commercial delivery fleets is shifting fleet routing from distance- and time-based optimization toward energy-aware decision-making. Existing sequence models primarily provide deterministic point estimates or limited uncertainty summaries, which do not capture the range of plausible energy-consumption trajectories required for operational decision-making. In this work, we introduce a conditional diffusion framework that generates EV battery-current profiles conditioned on route features such as vehicle velocity and ambient temperature. The model combines a latent conditioning encoder with a temporal 1D U-Net denoising backbone that enables trip-related conditions to be mapped into a shared representation and guides the reverse diffusion process. We evaluate the framework on an open-access commercial EV telemetry dataset containing 12k trips from 9 vehicles. The proposed latent-conditioned diffusion model generates realistic cur- rent trajectories that capture both the dominant temporal envelope and sharp transient events. The model achieves a Wasserstein distance of 0.0029 between generated and measured current distributions below the real vs real reference distance of 0.0085 indicating that generated samples lie within the empirical variability of the test set. We further demonstrate that learned latent conditioning substantially improves performance over direct condition injection, reducing the Wasserstein distance by 89.1% and MAE by 52.8%. This work demonstrates a generative modeling framework for characterizing EV energy consumption under real-world operating conditions, providing an essential foundation for uncertainty-aware fleet planning in large-scale operational settings.
- Abstract（参考訳）: 商用配送船の電化は、艦隊のルーティングを距離と時間に基づく最適化からエネルギーを意識した意思決定へとシフトさせている。
既存のシーケンスモデルは、主に決定論的な点推定または限定的な不確実性サマリーを提供しており、これは運用上の意思決定に必要な可算エネルギー消費軌道の範囲を捉えない。
本研究では,車両の速度や環境温度などの経路特性に基づいて,電気自動車の電池電流プロファイルを生成する条件拡散フレームワークを提案する。
このモデルは、潜伏条件付きエンコーダと時間的1D U-Net復調バックボーンを組み合わせることで、旅行関連条件を共有表現にマッピングし、逆拡散過程を導く。
9台の車両から1万2千回の移動を含むオープンアクセス商用EVテレメトリデータセット上で,本フレームワークの評価を行った。
提案した潜在条件拡散モデルにより,支配的な時間的エンベロープと急激な過渡事象の両方を捕捉するリアルなカーレンタル軌道が生成される。
このモデルは、実基準距離と実基準距離より下方にある電流分布と測定電流分布とのワッサーシュタイン距離0.0029を達成し、生成したサンプルがテストセットの実験的変動の範囲内にあることを示す。
さらに,学習遅延条件は直接条件注入よりも性能を著しく向上させ,ワッサーシュタイン距離を89.1%,MAEを52.8%削減することを示した。
本研究は、実運用環境下でのEVエネルギー消費を特徴付けるための生成的モデリングフレームワークを実証し、大規模運用環境での不確実性を考慮したフリート計画に不可欠な基盤を提供する。
関連論文リスト
- Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation [0.0]
この研究は、物理制約自体が分散的かつ空間的であり、トラフィックフローのダイナミクスから導かれる枠組みを開発する。
このフレームワークは、分散トラフィック状態推定の基礎と、物理インフォームド・ジェネレーティブ・セッティングにおける基礎解析の基盤を提供する。
論文 参考訳（メタデータ） (2026-03-10T04:25:20Z) - Diverging Flows: Detecting Extrapolations in Conditional Generation [3.1784840992666137]
分散フローは、単一のモデルが条件生成とネイティブな外挿検出を同時に実行できるようにする、新しいアプローチである。
予測忠実さや推論遅延を損なうことなく、効果的な外挿検出を実現する。
これらの結果は、信頼できるフローモデルのための堅牢なソリューションとして、Diverging Flowsを確立し、医療、ロボティクス、気候科学といった領域への信頼性の高いデプロイメントの道を開いた。
論文 参考訳（メタデータ） (2026-02-13T16:15:58Z) - STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
大気汚染予測は、都市管理と健全な建物の開発に不可欠である。
車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。
これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
論文 参考訳（メタデータ） (2025-12-04T02:17:19Z) - VFSI: Validity First Spatial Intelligence for Constraint-Guided Traffic Diffusion [3.093890460224435]
現在のモデルは、物理的妥当性をアーキテクチャ要求よりも創発的な性質として扱う。
本稿では,拡散サンプリング中のエネルギーベース誘導による制約を強制する,妥当性第一空間知能(VFSI)を提案する。
200のシナリオで、VFSIは衝突率を67%(24.6%から8.1%)削減し、全体的な妥当性を87%(50.3%から94.2%)改善している。
論文 参考訳（メタデータ） (2025-09-28T16:48:49Z) - Estimating City-wide Operating Mode Distribution of Light-Duty Vehicles: A Neural Network-based Approach [9.412151450938504]
本稿では,動作モード分布を推定するモジュール型ニューラルネットワーク(NN)に基づくフレームワークを提案する。
アメリカ合衆国ブルックラインMAのよく校正されたマイクロシミュレーションモデルを用いて検証した。
提案手法は, 迅速かつ正確な排出推定を行うことにより, リアルタイムの排出監視に利用することができる。
論文 参考訳（メタデータ） (2025-03-28T03:43:04Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think [53.2706196341054]
認識された非効率性は、これまで気付かれなかった推論パイプラインの欠陥によって引き起こされたことを示している。
タスク固有の損失を伴う単一ステップモデル上でエンドツーエンドの微調整を行い、他の拡散に基づく深さモデルや正規推定モデルよりも優れた決定論的モデルを得る。
論文 参考訳（メタデータ） (2024-09-17T16:58:52Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z)
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。