个性化汽车能耗估算的偏好感知元优化框架
本篇研究论文提出了一种基于概率数据驱动的新方法,用于对电池电动车的行程级能量消耗进行估计,该方法综合考虑了各种车辆动力学,驾驶员行为和环境因素,采用了概率神经网络进行建模和模型不确定性测量,并有机地融合驾驶员行为因素以提高模型的准确性,在试验中取得了相对误差的均值 9.3% 的表现。
Jul, 2023
本文提出了一种基于深度神经网络(ENN)的集成学习方法,旨在减少交通工具能效预测中的不确定性并输出不确定性度量,该方法在公开的车辆能源数据集(VED)上表现出了高的预测性能和预测不确定性度量。
Apr, 2023
该研究使用贝叶斯方法建模道路片段的能量消耗,开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略,将在线学习框架扩展到多车自适应导航。最后,使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。
Mar, 2020
基于学习的智能能源管理系统对于插电式混合动力电动汽车 (PHEVs) 的高效能源利用至关重要,然而,其应用在现实世界中面临着系统可靠性的挑战,这阻碍了原始设备制造商 (OEMs) 的广泛接受。本文通过建立基于物理和数据驱动模型的 PHEV 模型,聚焦于高保真度训练环境,并提出一个以真实车辆应用为导向的控制框架,将基于扩展时间尺度的强化学习 (RL) 能源管理与等价耗电量最小化策略 (ECMS) 相结合,以提高实际适用性,同时改善现有研究中基于瞬时驾驶循环和动力系统状态的等效因素评估方法的缺陷。最后,进行全面的仿真和硬件在环验证,证明了所提出的控制框架在燃油经济性方面相对于自适应 ECMS 和基于规则的策略的优势。与直接控制动力系统组件的传统 RL 架构相比,所提出的控制方法不仅能实现类似的最优性,而且还显著提高了能源管理系统的干扰抗性,在 OEMs 的真实车辆应用中提供了一种有效的基于 RL 的能源管理策略的控制框架。
Jun, 2024
本研究提出了基于正则化 Actor-Critic 算法的电动汽车充电推荐方法,该方法可为私人电动汽车驾驶者提供个性化、资源感知的充电推荐服务,并在实际数据集上表现出对比方法所不具备的优越性能,可为缓解电动汽车驾驶者的续航焦虑提供一种成本效益的解决策略。
Oct, 2022
该论文提出了一种名为 PAG 的新方法,通过图形和时间注意机制实现特征提取,并在模型预训练阶段使用物理知识引导元学习,以应对训练准确且可解释的预测模型的新挑战,从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。
Sep, 2023
准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要,本文介绍了一种基于子集训练的回归模型,该模型在复杂问题中将其拆分为更简单的子问题,以实现更好的回归性能和解释性。
Nov, 2023
电池电动车(BEV)在现代城市中具有越来越重要的意义,它们有潜力减少空气污染。精确和实时地估计其能量消耗对有效的行程规划和优化车辆系统至关重要,这可以减少驾驶里程焦虑和降低能量成本。随着公众对数据隐私的意识增强,在 BEV 能量消耗建模背景下采用保护数据隐私的方法至关重要。联邦学习(FL)是一种有前景的解决方案,通过允许本地数据保留在设备上,并仅与中央服务器共享模型更新,从而降低了向第三方揭示敏感信息的风险。我们的研究调查了使用 FL 方法如 FedAvg 和 FedPer 来改进 BEV 能量消耗预测同时保持用户隐私的潜力。我们使用来自 10 辆 BEV 在模拟真实驾驶条件下的数据进行实验。我们的结果表明,FedAvg-LSTM 模型在预测结果的 MAE 值上实现了最多 67.84%的降低。此外,我们探索了各种真实世界情景,并讨论了如何在这些情况下使用 FL 方法。我们的研究结果表明,FL 方法可以在保持用户隐私的同时有效提高 BEV 能量消耗预测的性能。
Dec, 2023
车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理,而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架,结合修改后的多智能体深度确定性策略梯度(MADDPG)方法和块坐标下降(BCD)算法,用于优化车辆用户(VUs)的功率分配和可重构智能表面的相位调整,在模拟结果中表现出优于集中式深度确定性策略梯度(DDPG)方案和随机方案的性能。
Jun, 2024
本文提出了一种汽车边缘联合学习(VEFL)方案,其中边缘服务器利用高移动性的连接车辆(CV)的机载中央处理单元(CPU)和本地数据集来训练全局模型,并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。
Oct, 2022