COVID-19 期间用于车辆使用预测的在线学习模型
机器学习
2024-02-29 v2
摘要
如今，正持续向更可持续的交通方式转型，其中重要一环是从内燃机车辆转向电池电动汽车 (BEVs)。BEVs 从可持续性角度看具有诸多优势，但有限续航里程和较长充电时间等问题减缓了从内燃机的转型。缓解这些问题的一种方法是进行电池热预处理，以提高电池的能量效率。然而，要最优地进行电池热预处理，需要知晓车辆使用模式，即车辆将如何以及何时被使用。本研究尝试使用在线机器学习模型预测每天首次出行的出发时间和距离。这些在线机器学习模型在 COVID-19 大流行期间从一支 BEVs 车队收集的历史驾驶数据上进行了训练和评估。此外，预测模型被扩展以量化其预测的不确定性，可用于决定是否应采用或舍弃该预测。基于我们的结果，性能最佳的预测模型在预测出发时间时的聚合平均绝对误差为 2.75 小时，在预测行程距离时为 13.37 km。
引用
@article{arxiv.2210.16002,
title = {Online Learning Models for Vehicle Usage Prediction During COVID-19},
author = {Tobias Lindroth and Axel Svensson and Niklas Åkerblom and Mitra Pourabdollah and Morteza Haghir Chehreghani},
journal= {arXiv preprint arXiv:2210.16002},
year = {2024}
}
备注
This article has been accepted for publication in IEEE Transactions on Intelligent Transportation Systems. This is the author's version which has not been fully edited and content may change prior to final publication. Citation information: DOI 10.1109/TITS.2024.3361676