Study on Driving Cycle Synthesis Method for City Buses considering Random Passenger Load
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper proposes a novel driving cycle construction method in consideration of velocity, road slope, and passenger load, based on a real-world bus route with a plug-in hybrid electric bus (PHEB). The main purpose is to address the disadvantage that an inaccurate reflection of the real-world driving characteristics for city buses will be caused when ignoring the passenger load in the course of a driving cycle synthesis. Two contributions are supplemented to distinguish from the previous research. Firstly, a novel station-based method is proposed aiming at developing a driving cycle with high accuracy. The kinematic segments are partitioned according to the distance of adjacent bus stops, while a two-dimensional Markov chain Monte Carlo method is employed to synthesize driving cycle between each interval of adjacent bus stops. Secondly, the random passenger load for different bus stops is treated as a discrete Markov chain model, according to the correlation analysis of the measured passenger data which are distinguished for off-peak and peak hours. Meanwhile, Monte Carlo simulation and maximum likelihood estimation are utilized to determine the most likely number of passengers for each bus stop. At last, the fuel consumption of the PHEB is simulated with the best-synthesized driving cycle and contrasted to the mean fuel consumption of the later measured data which is composed of the velocity, road slope, and the passenger load. The results demonstrate that the synthesized driving cycle has a higher accuracy on fuel consumption estimation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle