Predictive Modeling of Charge Levels for Battery Electric Vehicles using CNN EfficientNet and IGTD Algorithm

要約

畳み込みニューラルネットワーク（CNN）は、膨大な画像データセットを理解するための良いソリューションとなっている。バッテリーを搭載した電気自動車の増加が世界的に盛んであるため、電気自動車のドライバーがどの充電レベルを選択し、目的地まで無防備に移動するかを理解する研究が盛んに行われています。我々は、表形式のデータセットを解析し、彼らの充電状態やどの充電レベルを選択するかを理解するために、ディープラーニングのアプローチを実装しました。さらに、表形式データセットを画像データセットとして活用し、畳み込みニューラルネットワークを学習するために、Image Generator for Tabular Dataset アルゴリズムを実装しました。また、EfficientNetなどの他のCNNアーキテクチャを統合し、CNNが表データセットから変換された画像から情報を読み取る学習能力に優れ、バッテリー搭載電気自動車の充電レベルを予測できることを証明しました。また、モデルの学習率を高めるためにいくつかの最適化手法を評価し、モデルアーキテクチャの改善に関する更なる分析を検討しました。

要約(オリジナル)

Convolutional Neural Networks (CNN) have been a good solution for understanding a vast image dataset. As the increased number of battery-equipped electric vehicles is flourishing globally, there has been much research on understanding which charge levels electric vehicle drivers would choose to charge their vehicles to get to their destination without any prevention. We implemented deep learning approaches to analyze the tabular datasets to understand their state of charge and which charge levels they would choose. In addition, we implemented the Image Generator for Tabular Dataset algorithm to utilize tabular datasets as image datasets to train convolutional neural networks. Also, we integrated other CNN architecture such as EfficientNet to prove that CNN is a great learner for reading information from images that were converted from the tabular dataset, and able to predict charge levels for battery-equipped electric vehicles. We also evaluated several optimization methods to enhance the learning rate of the models and examined further analysis on improving the model architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL