电动重型车辆辅助能耗预测
机器学习
2023-11-28 v1 人工智能
摘要
准确的能耗预测对于优化电动商用重型车辆（例如充电路径规划）的运行至关重要。此外，理解为何做出某些预测，对于此类预测模型赢得用户信任并实际部署至关重要。由于商用车辆随运输任务、环境及驾驶员不同而以不同方式运行，在构建用于能耗预测的 AI 系统时预期会存在异质群体。输入特征与目标值之间的依赖关系在不同子群体间也预期存在差异。此类统计现象的一个著名例子是辛普森悖论。在本文中，我们阐明此种设定对现有产生全局特征统计的 XAI 方法（如 LIME 或 SHAP）构成挑战，导致其给出误导性结果。我们通过对数据子集训练多个回归模型展示一种潜在解决方案。这不仅带来更优的回归性能，也产生更相关且一致的 LIME 解释。鉴于所采用的 groupings 对应于相关子群体，输入特征与目标值间的关联在每个簇内一致但跨簇不同。在合成与真实世界数据集上的实验表明，将复杂问题拆分为更简单的问题可带来更好的回归性能与可解释性。
引用
@article{arxiv.2311.16003,
title = {Forecasting Auxiliary Energy Consumption for Electric Heavy-Duty Vehicles},
author = {Yuantao Fan and Zhenkan Wang and Sepideh Pashami and Slawomir Nowaczyk and Henrik Ydreskog},
journal= {arXiv preprint arXiv:2311.16003},
year = {2023}
}