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

要約

タイトル：アンサンブルDeep Learningを用いた自動車のエネルギー効率予測における不確実性の考慮

要約：
– 交通部門は、世界の二酸化炭素排出量の約25％を占めており、温室効果ガスを減らすために、交通部門のエネルギー効率の改善が重要です。
– エネルギー効率は、走行距離あたりのエネルギー使用量、つまり、キロメートルあたりの燃料のリットルなどで測定されます。
– 車両の種類、環境、運転者の行動、天気条件などがエネルギー効率に影響を与える主な要因であり、これらの要因は予測上の不確実性を生じさせます。
– 本論文では、予測上の不確実性を低減し、その不確実性の尺度を出力するためのアンサンブルDeep Learningアプローチを提案しています。
– 公開されている車両エネルギーデータセット（VED）を用いて評価し、車両とエネルギー種別ごとに複数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、予測上の不確実性の尺度を出力することができました。

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