Data-driven Energy Consumption Modelling for Electric Micromobility using an Open Dataset

要約

交通渋滞と環境悪化という深刻化する課題は、都市空間で E-モビリティ ソリューションを採用することが極めて重要であることを浮き彫りにしています。
特に、E スクーターや電動バイクなどのマイクロ E モビリティ ツールは、この移行において極めて重要な役割を果たし、都市部の通勤者に持続可能な代替手段を提供します。
ただし、これらのツールのエネルギー消費パターンは、現実世界のシナリオにおけるツールの有効性に影響を与える重要な側面であり、旅行の計画やツールの使用に対するユーザーの信頼感を高めるために不可欠です。
この目的のため、最近の研究では、特定のモビリティツールや条件に合わせてカスタマイズされた物理モデルが利用されていますが、モデルの徹底的な評価と検証のためのオープンデータセットが著しく欠如しているため、これらのモデルは現実世界のシナリオでの一般化と有効性に苦労しています。
このギャップを埋めるために、私たちの研究では、アイルランドのダブリンで収集された、E スクーターと電動バイクに関連するエネルギー モデリング研究用に特別に設計されたオープン データセットを提示します。
さらに、一連の代表的な機械学習アルゴリズムを使用して、データセットに基づくエネルギー消費モデリングの包括的な分析を提供し、それらのパフォーマンスをベースラインとしての現代の数学モデルと比較します。
私たちの結果は、エネルギー消費を推定するための対応する数学的モデルと比較して、データ駆動型モデルの顕著な利点を示しています。
具体的には、特定の仮定の下でのデータセットの詳細な分析に基づくと、データ駆動型モデルは、電動自転車では最大 83.83%、電動スクーターでは最大 82.16% 精度で物理モデルを上回っています。

要約(オリジナル)

The escalating challenges of traffic congestion and environmental degradation underscore the critical importance of embracing E-Mobility solutions in urban spaces. In particular, micro E-Mobility tools such as E-scooters and E-bikes, play a pivotal role in this transition, offering sustainable alternatives for urban commuters. However, the energy consumption patterns for these tools are a critical aspect that impacts their effectiveness in real-world scenarios and is essential for trip planning and boosting user confidence in using these. To this effect, recent studies have utilised physical models customised for specific mobility tools and conditions, but these models struggle with generalization and effectiveness in real-world scenarios due to a notable absence of open datasets for thorough model evaluation and verification. To fill this gap, our work presents an open dataset, collected in Dublin, Ireland, specifically designed for energy modelling research related to E-Scooters and E-Bikes. Furthermore, we provide a comprehensive analysis of energy consumption modelling based on the dataset using a set of representative machine learning algorithms and compare their performance against the contemporary mathematical models as a baseline. Our results demonstrate a notable advantage for data-driven models in comparison to the corresponding mathematical models for estimating energy consumption. Specifically, data-driven models outperform physical models in accuracy by up to 83.83% for E-Bikes and 82.16% for E-Scooters based on an in-depth analysis of the dataset under certain assumptions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google