Using Large Driving Record Samples and a Stochastic Approach for Real-World Driving Cycle Construction: Winnipeg Driving Cycle
Notice bibliographique
Résumé
The challenges in the development of plug-in electric vehicle (PEV) powertrains are efficient energy management and optimum energy storage, for which the role of driving cycles that represent driver behaviour is instrumental. Discrepancies between standard driving cycles and real driving behaviour stem from insufficient data collection, inaccurate cycle construction methodology, and variations because of geography. In this study, we tackle the first issue by using the collected data from real-world driving of a fleet of 76 cars for more than one year in the city of Winnipeg (Canada), representing more than 44 million data points. The second issue is addressed by a proposed novel stochastic driving cycle construction method. The third issue limits the results to mainly Winnipeg and cities that have similar features, but the methodology can be used anywhere. The methodology develops the driving cycle using snippets extracted from recorded time-stamped speed of the vehicles from the collected database. The proposed Winnipeg Driving Cycle (WPG01) characteristics are compared to eight existing standard driving cycles and are more able to represent aggressive driving, which is critical in PEV design. An attempt is made to isolate how many differences could be attributed to the sample size and the methodology. The proposed construction methodology is flexible to be optimized for any selection of driving parameters and thus can be a recommended approach to develop driving cycles for any drive train topology, including internal combustion engine vehicles, hybrid vehicles, plug-in hybrid, and battery electric vehicles. Characterization of vehicle parking durations and types of parking (home, work, shopping), critical for duty cycles for PEV powertrains, are reported elsewhere. Here, the focus is on the mathematical approach to develop a drive cycle when a large database with high resolution of driving data is available.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».