基于神经网络集成的不确定性感知车辆能效预测
机器学习
2023-05-03 v2
摘要
交通运输部门约占全球温室气体排放的25%。因此，改善交通领域的能效对于减少碳足迹至关重要。能效通常按单位行驶距离的能耗来衡量，例如每公里升燃油。影响能效的主要因素包括车辆类型、环境、驾驶行为和天气条件。这些多变的因素给车辆能效的估计带来了不确定性。本文中，我们提出一种基于深度神经网络集成(ENN)的集成学习方法，旨在降低预测不确定性并输出此类不确定性的度量。我们使用公开可用的车辆能源数据集(VED)对其进行了评估，并按车辆和能源类型与若干基线方法进行了比较。结果显示出较高的预测性能，并且它们能够输出预测不确定性的度量。
引用
@article{arxiv.2304.07073,
title = {Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble of Neural Networks},
author = {Jihed Khiari and Cristina Olaverri-Monreal},
journal= {arXiv preprint arXiv:2304.07073},
year = {2023}
}