Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble of Neural Networks

要約

タイトル：アンサンブルニューラルネットワークを使用した不確実性に敏感な車両のエネルギー効率予測

要約：
– 交通部門は、世界の温室効果ガス排出量の約25％を占めています。
– そのため、トラフィック部門でのエネルギー効率の向上は、炭素フットプリントを減らすために重要です。
– 効率は通常、走行距離当たりのエネルギー使用量、つまりキロメートル当たりの燃料のリットル数などで測定されます。
– エネルギー効率に影響を与える主要な要因は、車両のタイプ、環境、運転者の行動、および天候条件です。
– これらの異なる要因は、車両のエネルギー効率の推定に不確実性を導入します。
– 本論文では、深層ニューラルネットワーク（ENN）に基づくアンサンブル学習アプローチを提案し、予測不確実性を低減し、その不確実性を出力するように設計されています。
– 我々は、公開されているVehicle Energy Dataset（VED）を使用して評価し、車両とエネルギータイプごとにいくつかのベースラインと比較しました。
– 結果は高い予測性能を示し、予測不確実性の尺度を出力することが可能であった。

要約(オリジナル)

The transportation sector accounts for about 25% of global greenhouse gas emissions. Therefore, an improvement of energy efficiency in the traffic sector is crucial to reducing the carbon footprint. Efficiency is typically measured in terms of energy use per traveled distance, e.g. liters of fuel per kilometer. Leading factors that impact the energy efficiency are the type of vehicle, environment, driver behavior, and weather conditions. These varying factors introduce uncertainty in estimating the vehicles’ energy efficiency. We propose in this paper an ensemble learning approach based on deep neural networks (ENN) that is designed to reduce the predictive uncertainty and to output measures of such uncertainty. We evaluated it using the publicly available Vehicle Energy Dataset (VED) and compared it with several baselines per vehicle and energy type. The results showed a high predictive performance and they allowed to output a measure of predictive uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI